Сквозь стены: энтузиаст превратил обычный Wi-Fi-роутер в домашний радар На GitHub набирает популярность опенсорсный проект, набравший уже более 80 тысяч звезд. Его автор научил обычный роутер «видеть» присутствие и действия людей за стенкой. Система анализирует параметры Channel State Information (CSI) — колебания радиосигнала при отражении от объектов. С помощью ИИ-алгоритмов обычная сеть распознает позу человека (стоит, сидит, лежит), фиксирует его перемещение, а при оптимальных условиях считывает частоту дыхания и пульс. Для сборки такого локального «радара» требуется базовый роутер, несколько микроконтроллеров ESP32-S3 и плата Raspberry Pi, а стоимость стартового узла составляет около $9–10.

TinyPilot через 4 года KVM — это железка для удаленного подключения к выходам на монитор и клавиатуру другого компьютера. Собственно и сокращение KVM означает всего лишь “Keyboard, Video, Mouse”. Такое оборудование традиционно используется в датацентрах, системный администратор издалека работает с “упавшим” сервером, потерявшим сеть. Продается оно в лучших традициях b2b-продуктов: интерфейсы неудобные, отгружается только большими партиями, стоит дорого. И так рынок работает десятки лет. Основатель #стартапдня TinyPilot решил, что такая штука может быть полезна и дома. Он собрал свой KVM на основе Raspberry Pi (малюсенький "учебный" компьютер) и написал для него Open Source софт. Теперь каждый может купить Raspberry в соседнем магазине и превратить его в домашний KVM. А ленивые покупают у TinyPilot уже настроенное оборудование в красивом корпусе. Гикам продукт понравился. Ежемесячные продажи - порядка 50 тысяч долларов с положительным трендом. На фоне стартапов-единорогов выручка, наверное, не впечатляет, но для фаундера-одиночки достаточно на комфортную жизнь, да и вероятность покупки бизнеса каким-нибудь гигантом - очень хорошая. Морали у проекта две. Во-первых, просто любопытно смотреть. Основатель очень много и открыто пишет о бизнесе, даже динамика продаж выставлена на всеобщее обозрение. Во-вторых, домашняя версия корпоративных продуктов - хорошая версия “свечного заводика”. — Вот такой #субботнийповтор из 2022 года. Пути стартапа и фаундера разошлись через 2 года после поста – основатель продал проект за примерно 2.5 годовые прибыли или полмиллиона долларов. Новый владелец – тоже обычный человек, не Google какой. И, кажется, он купил TinyPilot зря. На рынке появилась куча китайских аналогов в разы дешевле и гики теперь покупают их, а попытка перейти в корпоративный сегмент пока со стороны не выглядит как успех. Мой старый пост: https://t.me/startupoftheday/2382

Сюжет достойный Гая Ричи: лопата для снега открыла хакерам доступ к корпоративной сети 😐 Два профессиональных пентестера приехали проверять физическую безопасность офиса крупной компании зимой. Заметив открытую дверь хозблока, они спокойно зашли внутрь, представились новыми сотрудниками IT без пропусков и вежливо предложили местным наивным рабочим помочь почистить снег и лед. Пока один вовсю махал лопатой на улице, второй прошел вглубь здания, нашел конференц-зал и спрятал Raspberry Pi за мусорными ведрами, подключив его к активной сетевой розетке. Дальше всё по классике — через малинку они нашли десятки аккаунтов с паролем вроде winter2023!, расковыряли Active Directory и в итоге получили domain admin. Зато с уборкой помогли 📹

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