ИИ

Нейросеть помогла обойти проверку подписи и разблокировать скрытые параметры BIOS на ноутбуке HP Энтузиаст с Reddit использовал нейросеть Claude Code и набор инструментов для реверс-инжиниринга, чтобы снять ограничения прошивки на ноутбуке HP 15-dw1036ne. Автор передал нейросети дамп BIOS версии F.68 и подключил дизассемблер Ghidra через MCP-протокол для автоматического поиска функций проверки подписи. С помощью эмулятора Unicorn Engine нейросеть изучила работу верификатора и написала скрипт на Python, который заменил один байт в коде проверки. Это позволило обойти валидацию, не взламывая сам шифр RSA-2048, а просто заставив BIOS всегда считать подпись верной. Модификация отключила блокировку кастомных прошивок и открыла 55 скрытых параметров, а также четыре инженерные вкладки меню: Advanced, Power, Debug и Boot.

↓↓↓ Главное, что вынес из AEO страницы AEO должны быть гораздо более конкретными, чем SEO-страницы. Вы не пишете «Лучшее руководство по контент-маркетингу». Вы пишете «Лучшее руководство по контент-маркетингу для логистических компаний в Москве» 1) Поставьте ответ на первое место. Не прячь суть буллетами. Никто не хочет "Дочитывать" до конца. 2) Дайте больше контекста. Добавьте 2-3 абзаца с примерами / определениями. Помогите движку понять, что ответ достоверен и полный 3) Добавить структуру вначале. LLM — ленивые читатели. Заголовки, пункты, таблицы. Каждый отрывок должен иметь смысл сам по себе. 4) Добавить FAQ (FAQ позволяют ответить на конкретные подвопросы, которые действительно задаёт ваша аудитория) 5) Включать оригинальные идеи. Данные, цитаты, исследования, которых нет ни у кого другого. Чистая новая информация — это то, что попадает в цитаты. 6) Соединить каждый поинт с продуктом. Если вы не сделаете связь, LLM не сделает этого. 7) Встраивать llm.txt. Это помогает AI движкам точно понять, что находится на вашей странице. 8) Добавить автора с данными, ссылкой на его LinkedIn, ссылки на др. статьи. (используй схему Person и укажи автора в схеме Article) 9) Оригинальные скрины, данные, датированные наблюдения («мы тестировали это в октябре 2025 года на 40 аккаунтах»). 10) Ссылки на собственные источники (это свидетельствует о дисциплинированности редакционной работы, как в инсте с reels) 11) Согласованность сущностей – ваш бренд, ваши авторы и ваши утверждения должны выглядеть одинаково на вашем сайте и др. площадках 12) LLM-ы оценивают сайты, которые выглядят как нишивые. Блог из 200 постов, охватывающий все аспекты вашей ниши, снижает эффективность по сравнению с 40 постами, углубленно изучающими одну подтему. 9) E-E-A-T — основа видимости в AEO и важнее чем в SEO (LLM отдают приоритет экспертности и внешней валидации (Wikipedia, Reddit, Linkedin, YouTube; в РФ это Дзен, прокаченные сайты, объем закупаемой рекламы в директе, POI на карте), а не ключевым словам. LLM меньше интересует PageRank и больше то, признает ли вас более широкий интернет как заслуживающий доверия источник по данной конкретной теме. EEAT — опыт, экспертность, авторитетность, доверие — LLM-ы предварительно фильтруют набор кандидатов по воспринимаемому качеству источника еще до того, как происходит оценка релевантности. Это переворачивает правила SEO: релевантность обеспечивает рассмотрение; сигналы доверия обеспечивают цитирование LLM-ы ценят, так это личный опыт: конкретные цифры, наблюдаемое поведение, устаревшие примеры из практики, имена практикующих специалистов Анализ Contently: влияния авторских данных на частоту упоминаний, что статьи с подтвержденным именем эксперта цитируются значительно чаще, чем статьи, написанные под псевдонимами или сотрудниками редакции, по той же теме. Для контент-команд это имеет конкретные последствия: написание статей под общим именем «Редакционная команда» — это налог на цитирование.

Сайты с четко обозначенными авторами, явной разметкой экспертных знаний и авторитетными внешними упоминаниями появлялись в цитированиях значительно чаще, чем сайты, оптимизированные только для традиционных факторов ранжирования.

LLM Benchmark Opus 5 на агентских задачах в бизнесе Я померил два варианта Anthropic Opus 5 - обычный и Fast. Последний работает раза в два быстрее, но стоит раза в два дороже. Уровень ответов при этом идентичный. Очень высокий уровень AI Code (tool generation/use), всего по два "прокола" безопасности. Модели заняли 4 и 5 места по точности, если смотреть без учета скорости и цены. А если же быть реалистичными и смотреть на них, то Fast модель оказалась на парето-фронтире по скорости, а Opus 5 - в целом близок по параметрам к GPT-5.5 (med), который является хорошей рабочей лошадкой на дорогих задачах. Кстати, в отличие от Fable, тут нет постоянных отказов отвечать. В общем, радует, что Anthropic, наконец, начали прокачивать свои топовые модели в сторону агентских задач. Будем ждать появления Sonnet версий снова на фронтире! Ваш, @llm_under_hood 🤗

Закончилась эпоха Недавно Дядюшка Боб (автор книг "Чистый код", "Чистая архитектура" и т.д.) заявил, что вообще не читает код, который пишет LLM, вместо этого он использует ограничения в виде автоматизированных тестов и других проверок. Подобных заявлений с каждым днем становится все больше и количество будет только расти. Можно возразить, мол "а как же качество?". На самом деле за последние два года качество генерации сильно возросло, если грамотно гранулировать задачу, можно обойти многие ограничения ИИ (например, дублирование функций и классов, если их нет в контексте, и тому подобные вещи). Фокус ушел на AiSDLC и описание архитектуры проекта. Мне кажется, в моменте мы переживаем этап взросления разработки, когда от написания кода мы уходим к архитектуре и идеям. В этом смысле Роберт Мартин не изменяет своим принципам – он всегда топил за более высокоуровневый взгляд на программирование, и теперь ему стало делать это чуть проще. Но что будет с кодом? Мне кажется, что примерно то же, что произошло с ассемблером: как рабочий инструмент его мало кто использует, но интерес к пониманию того, как все работает, остался, многие смотрят видео по низкому уровню просто из любопытства, из-за того вайба, который дает погружение в инженерию. Поэтому код не исчезнет, просто заниматься им будут по желанию, из любопытства, а не потому что надо.

Попробовал я эту вашу разработку с субагентами, скилами, хуками и прочим. Объектвино, более бесполезной и тупой вещи я в жизни не видел. Для соло разработки худшее что вы можете сделать - это настроить агентский цикл с разбором задачи, исполнением, тестированием, ревью и прочей шелухой. Скорость разработки падает в разы. Простая задача по интергрированию 2 ручек в проект и созданием одной таблицы начинает занимать час, а то и более. Я буквально сам сделал бы это быстрее. Количество токенов растет так же в каких-то гигантских масштабах. Столько лимитов, сколько жрет 1 проект у меня не жрало 3 проекта параллельно. В итоге главные преимущества работы с нейронкой сводятся на нет. Да, скорее всего я ее неверно настроил, и надо будеь попробовать нормально. Как то ранжировать задачи, что бы мелкие не прогонять по всему пайплайну, а крупные наоборот гонять по всему пайпу

🌍 Как правильно промптить LLM для планирования путешествий: что говорит наука Пока путешествую по Мадагаскару, задался вопросом: а как вообще правильно просить LLM спланировать поездку и составить маршрут? TL;DR: пишите как удобно, вставляйте местные названия, прямо просите искать на языке страны и требуйте ссылки на источники — особенно для дат, цен и расписаний ✈️ 1️⃣ Язык промпта — гибрид Инструкции модель лучше выполняет на английском, но факты о стране точнее «вспоминает» на её языке — перевод смывает культурный контекст (в бенчмарке CulturALL нативные промпты дали +8% точности). Промптинг на языке культуры также снижает галлюцинации о ней. 👉 Рецепт: запрос — на удобном языке, а топонимы, районы и блюда — на языке страны. 2️⃣ Явно просите искать на местном языке У LLM есть скрытый bias: на каком языке спросили — на таком и ищет, а без локальных источников тянется к высокоресурсным языкам (Faux Polyglot). Запрос на английском = «туристический интернет», а не то, куда ходят местные. 👉 Пишите прямо: «ищи и на малагасийском, и на французском, и на английском, для ресторанов и транспорта приоритет — локальные сайты». 3️⃣ Зависит ли от страны? Да, и тут парадокс 🤯 ▫️ Франция/Япония: многое дублируется на английском, локальный поиск даёт бонус в «длинном хвосте» — события, нетуристические места. ▫️ Низкоресурсные языки (тот же малагасийский): самое ценное есть только локально, но модель хуже понимает язык. Оптимум — двуязычный поиск + синтез (paper). ▫️ Важна ещё и «оцифрованность» страны: про регионы с бедным интернетом модель знает мало на любом языке. ⚠️ Нюансы, о которых забывают: 🔸 Когда источники на одном языке, а ответ на другом, модель хуже рассуждает и путает язык ответа (бенчмарк XRAG, EMNLP 2025). Фиксируйте: «отвечай по-русски, укажи источник каждого факта». 🔸 Разные модели ≠ одинаковое поведение: одной лучше английский, другой — нативный язык. Универсального правила нет. 🔸 Неанглийский текст «дороже» по токенам — чисто инженерный аргумент 💸 🔸 Цены, визы, расписания — только через поиск, по памяти модель уверенно выдаст устаревшее. 📊 Оценка завышена (XBCP и X-WebAgentBench) для travel-planning нет хорошего ground truth так как текущие исследования агентных систем в основном англо-центричны. @mashkka_ds За вдохновение спасибо @travel4_you & @runoutofthetown #llm #Claude #agent

Глава DeepSeek рассказал, что китайские ИИ чипы отстают от Nvidia на 2 года Глава DeepSeek Лян Вэньфэн заявил на встрече с инвесторами, что китайские ускорители от Huawei уже могут полностью заменить системы Nvidia, но пока берут только количеством. По его словам, чипы Huawei отстают от Nvidia примерно на два года. Там, где справляется 1 карточка Nvidia GB300, приходится ставить сразу 4 штуки Ascend 950. Сейчас главный барьер для китайского ИИ — это элементарная нехватка железа. Чтобы обучить нейросеть уровня самых продвинутых мировых моделей, компании нужно около 50 000 чипов Nvidia или 200 000 ускорителей от Huawei, а у DeepSeek сейчас есть ресурсы всего под 20 000 старых H100. Тем не менее Вэньфэн уверен, что санкции США только вредят самой Nvidia, а китайские разработчики вынужденно переходят на железо Huawei и постепенно учатся обходиться без американских технологий.

Аномалии Opus 5 и оптимальный reasoning effort Если вы используете агентов так активно, что даже 200$ лимитов вам не хватает, ну или просто хотите получать адекватный результат за приемлемое время, то надо озаботиться выбором оптимального уровня размышления модели. Так вот, из официального анонса это неочевидно, а вот из системной карточки вполне. И там видно, что в ряде задач Opus 5 medium effort оказывается даже эффективнее, чем Fable high. При цене почти в 3 раза меньше. Видимо, теперь medium будет дефолтным выбором для пятого опуса. А во Frontier Code Opus 5 medium и вовсе показывает результаты существенно лучше, чем xhigh версия (что, конечно, подозрительно, но ОК). Еще, в системной карточки появились мультиагентные бенчи, и один из них ProgramBench - так вот, там команда из 5-ти агентов достигает того же результат в 2.2 раза быстрее, чем одиночный агент. Привет всем любителям мультиагентных систем. Похоже, что секцию 8.11 Multi-Agent в принципе есть смысл прочитать вдумчиво. И любопытный факт - новенький FrontierBench v0.1 (уже третий "фронтир" све бенчмарк) они прогоняли не в родном харнессе, а в mini-SWE-agent. Результатов прогона medium effort нам почему-то в отчете не дают, только xhigh и high. @ai_driven