Прошу любить и жалоловать Yozh Scraper v 0.1.0. Внутри durable-очередь, движок Camoufox и CyberYozh proxy v2. Все бесплатно и open source.

Cкрапер из однопроцессного превратился в горизонтально масштабируемый сервис, обзавёлся анти-бот движком на базе Firefox и переписанной интеграцией с прокси.

✔️ Масштабируемая очередь на Redis (taskiq) Браузеры теперь живут в отдельных scraper-worker-контейнерах. Масштабируешь одной командой: --scale scraper-worker=N. Задачи переживают рестарт API — состояние, результаты и сессии хранятся в Redis, а не в памяти процесса. Мёртвый воркер? Reaper подхватит и переставит задачу в очередь. ✔️ Новый движок Camoufox ("закалённый" Firefox) Выбирается на каждый запрос через browser_engine, со своими опциями фингерпринта. Yandex SERP теперь ходит через Camoufox и проходит SmartCaptcha. Бонус — read-back applied_*: видно, какой фингерпринт реально применился. ✔️ Защита от WebRTC-утечек Новый webrtc_stealth.js не удаляет WebRTC (это само по себе палит), а оставляет его нативным на вид — реальный IP не течёт мимо прокси. ✔️ CyberYozh proxy v2 + премиум-пулы Клиент прокси переписан с нуля. Появились премиальные ротационные резидентские/мобильные прокси (prem_res_rotating) с warm-up — сессия прогревается перед реальным скрапом, чтобы пройти cold-session гейты. Ротация теперь и на бан/транзиентные ошибки, не только на капчу. SOCKS5 с авторизацией работает и на логине. ✔️ Сессии на Redis storage_state бэкается в Redis — залогиненные сессии переживают рестарт контейнера и шарятся между воркерами. ✔️ Наблюдаемость Новый эндпоинт GET /api/v1/queue/stats — глубина стрима, in-flight и активные консьюмеры в реальном времени. ✔️ Пресеты и SERP Yandex локализуется по lr; отключён stealth на google_shopping (убивал капчу); починены walmart_product и youtube_video; добавлен детект /showcaptcha. Star, Fork, Like. 👉 https://github.com/CyberYozh-data/yozh-scraper

Про декорации Момент из Vampire: The Masquerade — Bloodlines 2, который очень сильно выбил из погружения. Помимо странного утопания одной из стопок бумаг в столе, разумеется. Это очевидно, но сразу не так заметно. Скорее я про то, что здесь используется одна и та же стопка бумаги, причём очень неумело, и это прямо бросается в глаза. Помимо очевидных вещей, вроде того, что тут можно было как-то покрутить масштаб этих стопок (по крайней мере, в толщину), поворот, навалить их под углом одна на другую, чуть утопить в стол так, чтобы этого не было видно, и так далее — здесь очень бросается в глаза вот эта правильная раскладка полукругом. Теоретически это всё можно объяснить, но просто, если вы используете один и тот же пропс для визуала, зачем вы таким расположением ещё и делаете на этом акцент?) Так вот, про декорации. Понятно, что разработка игр это декорации, виртуальная сцена. Обман, своего рода. Но хорошие декорации помогают создать атмосферу и подсвечивают то, что в них происходит. А плохие оттягивают на себя внимание и порождают вопросы. Чтобы этого не случилось, очень важно задавать свои вопросы, когда мы эти самые декорации расставляем. Это и выбор нужного пропса, и то, как их использовать, и какую функцию они должны выполнять в данной локации. И сравнение с реальной жизнью, но только если это требуется данной игре (может ли такое быть в жизни?). Или какой нарратив мы получаем от этого места и конкретно этих предметов, лежащих таким образом. Самое забавное, что если на столе этой композиции из стопок бы не было, и было бы 2-3 стопки, сцена бы всё ещё работала, и игрок скорее всего вряд ли обратил на это внимание. И может быть даже не увидел вот этой впечатанной в стол стопки на переднем плане. Штош) #Bloodlines2 #gamedesign #leveldesign #мнение

Просто дружеское напоминание что сейчас лучше всего учить своих агентов строить себе harness'ы: Подтверждение этому маленький стартап Poetiq (кстати основан бывшими исследователями Google DeepMind) Нашли новый способ который делает Opus 4.8 / GPT-5.5 умнее чем Fable / GPT 5.6 Sol во всех бенчмарках. Сразу скажу что есть такой закон Гудхарта и риск бенчмаксинга, когда модель заточена на то чтобы бить конкретный бенч, и тогда реальную пользу по нему не понять. А работает это так: их система это петля (RSI) которая автоматически конструирует целые харнессы (код, промпты, инструменты и стратегии поиска) для любого бенчмарка, с которым сталкивается. Сама пишет всю инфраструктуру решения, прогоняет, смотрит на результат, переписывает, и так по кругу, пока не выжмет максимум. А модель внутри петли это просто расходный материал, которую можно заменить на более новую, и вся накопленная обвязка автоматом конвертируется в еще лучший результат. То есть улучшения накапливаются и переносятся. Каждая задача, которую она решает, помогает ей оптимизировать саму себя, превращая её во всё более мощный оптимизатор. Причем для этого не нужен никакой файнтюн, просто обычный API-доступ. Поэтому Poetiq говорят "статичные бенчмарки мертвы", и вместо них предлагают динамически генерируемые тесты, заточенные под слабые места конкретной модели, на которые невозможно натренироваться. Технарям рекомендую это видео на ютубе, если хотите сделать харнесс дома (или просто скормить агенту) @tips_ai #news

📌 Как дотянуть компактную модель до уровня гигантов посттрейном AI-подразделение китайского производителя электромобилей Lixiang опубликовало интересную работу о том, как они оптимизацией насыщали компактную модель доменными знаниями.

Mach-Mind-4-Flash - итоговая MoE-модель на 35 млрд общих 3 млрд активных параметров на базе Qwen3.5-35B-A3B.

Проблема, от которой Li Auto отталкивались, состоит в том, что если учить одну модель с подкреплением сразу на смеси наград (математика, код, агентные задачи), то появляются качели - подтянули одно, просело другое. Решение - разделить этапы и области знаний. Сначала независимо обучили более десятка RL-экспертов, каждого в своём домене: математика, код, текст, безопасность, поиск, работа с инструментами. Каждый эксперт получил свои данные, свои проверяемые награды и свою стратегию обучения. Дальше самое интересное - как собрать экспертов обратно в одну модель. Для этого использовали методику MOPD, которую взяли у Xiaomi.

Это мультиучительская дистилляция на собственных генерациях ученика, где каждый обучающий пример по ключу маршрутизации уходит к "своему" замороженному эксперту, и тот через reverse-KL на уровне токенов подтягивает распределение ученика к своему.

Агентные навыки эксперты осваивали в исполняемых песочницах - там модель читает файлы, правит код, запускает тесты, видит ошибки и продолжает с их учётом. Масштаб сред - более 190 предметных областей с сохранением состояния, свыше 3,5 тыс. интерфейсов инструментов, траектории программных задач до 300 шагов при контексте 256 тыс. токенов. 🟡Работает ли слияние? И да и нет. Следование инструкциям сохранилось целиком, а на агентных бенчах ClawBench и ClawEval итоговая модель даже обошла отдельных экспертов. Но на SWE-bench Verified результат просел с 73,80 у эксперта до 71,10 у модели.

Предполагают, что узкоспециализированное поведение в длинных задачах кодинга при дистилляции смазывается.

Финальный штрих - HMPO, собственная механика Li Auto, которая следит, чтобы модель не увлекалась в цепочках рассуждений.

Бюджет длины CoT берётся из медианы правильных ответов в группе, награду получают только верные и при этом более короткие решения, а награда собирается умножением (короткий, но неверный ответ получает строгий 0, что закрывает лазейку для взлома награды).

На выходе HMPO получается сокращение длины генерации на 19–46% при потере точности не более 0,7%, причём обучение шло только на математике, а эффект перенёсся на код и другие задачи. Правда пока это работает только для одношаговых рассуждений, к многоходовым агентным траекториям его ещё предстоит адаптировать. 🟡Итоги 92,7 на AIME'26 - тут отстает от триллионной Kimi-K2.5 меньше чем на пункт; 82,8 на IFBench - первое место с большим отрывом, ближайший конкурент Qwen3.5-122B; 75,8 на BFCL-v4 - второе место после MiMo-V2-Flash, при этом лучше чем Qwen3.5-122B и Kimi-K2.5. Можно сказать, что результаты на уровне куда более крупных моделей. К сожалению, планы по публикации модели неизвестны, но возможно мы просто почувствуем её в следующих поколениях электромобилей Lixiang. 🟡Arxiv @ai_machinelearning_big_data #AI #ML #LLM #Optimisation #RL #LiAuto

На меня смотрел раненый ребенок. Трубка телефона басом выбрасывала ядовитые слова, но за ними я видела ребенка, которому больно и страшно. Вы наверняка слышали про концепцию, что в человеке есть взрослый, ребенок, родитель. Кто-то может слышал про концепцию, что в человеке есть раненая часть, выжившая часть, отверженная часть. А ещё у нас десятки шляп: шляпа босса, бизнес-партнера, мамы, дочери, жены, отца, мужа, защитника, добытчика, просителя и обивателя порогов в госструктурах, переговорщика с арендодателем, продавца поневоле, клиента...Уфф! Всё это приводит к тому, что мы с партнёром вроде говорим из взрослого/партнёра, а отвечает нам раненый ребенок. Или клиентка вдруг включает маленькую девочку, срывает все договоренности и запуск проекта и сливает на вас кучу эмоций по поводу ее частной жизни. Или подрядчик гасится, чтоб его внутреннего ребенка не застыдили и не отругали, как тогда в школе. Это решается на двух уровнях: 1. На, простите, психологическо-эзотерическом. 2. На вербально-взросло-осознанно-деловом. Если мы осознали, что за часть собеседника внезапно вошла в наш диалог без приглашения - бесполезно с размаху давать ей психологическую оплеуху и пытаться жёстко возвращать в нужную роль. Ну представьте, если вы с расстроенным болящим ребенком так сделаете - какая будет реакция? На энергетическом уровне мысленно говорим себе: "Окей, он говорит из ребенка, ему больно/страшно/включился какой-то его личный сценарий. Я это вижу, я это принимаю". Мысленно даём ему то, что этому ребенку или другой нежданной части нужно: безопасность, тепло, уверенность что не ударят, не бросят, не предадут. Мысленно обнимаешь/держишь за руку. На вербальном уровне НЕ скатываешься в сценарий собеседника. В родителя, второго обиженного ребенка. Ведёшь диалог в тех ролях, в которых вы должны быть по роду ваших отношений. Возвращаешь его в эти роли. Закрыв потребность его детской части на внутреннем уровне. Если клиентка вошла в маленькую девочку - на внутреннем уровне даешь ей структуру. Кто знаком с расстановками - можно это в поле делать. На вербальном - мягкий деловой этикет. Если подрядчик гасится, чтоб не стыдили как школьника - не входишь в предложенную роль осуждающего учителя, а на энергетическом уровне даёшь безопасность и понимание, на вербальном - деловой этикет, мягкое напоминание о сути и детялаях договорённостей, и вариант, как выйти из ситуации без потери лица для него и ударов об его главный страх. Ну есть ещё вариант в обход всех ролей обращаться напрямую к душе человека. Но об этом позже.

Сайты падают по расписанию рабочей недели, а в выходные почти нет В четверг сайты падают на треть чаще, чем в воскресенье. Серверам к концу недели не тяжелее, просто в выходные никто не деплоит и не трогает прод. Сайты ломают люди, а не энтропия. Та же логика в графике по часам: главный пик приходится на рабочий день, но пятый по аварийности час суток это полночь, когда стартуют кроны и ночные выкатки в духе «всё равно никто не смотрит». За год мониторинга 6 500 сайтов набежало 108 312 инцидентов, и картина выходит скучнее любых страшилок про взломы и DDoS. Половина всех падений это простой таймаут, когда сервер жив, но задумался. А самое обидное ждёт ночью. Короткие сбои чинит автоматика, которой всё равно, который час, но если она не справилась, длинные инциденты в темноте закрывают на 35% дольше, потому что дальше всё зависит от человека, а человек спит. Выясним, сколько сайтов на деле держат обещанные три девятки аптайма и что за аномалия случилась в июне.