Фильтр публикаций




Репост из: Градиент обреченный
Старый добрый советский arXiv

Все знают про arxiv.org — крупнейший репозиторий с препринтами по разным темам. Люди (и не только) пишут туда каждый день сотнями, нас особенно интересуют ML'ные статьи.

Делал как-то, кстати, hfday.ru — пет-проект с обзором лучших статей за день/месяц по темам, можете посмотреть. Хостится всё на github, запускается через их actions пайплайн, код открыт.

Недавно появился sovietrxiv.org. Некий энтузиаст с ником seconds_0 в твиттере уже распарсил, перевел и выложил 18k+ старых советских научных статей (!). Везде есть ссылки на оригиналы (типа такого), в основном это mathnet.ru и киберленинка.

Он же делает chinarxiv.org, то же самое, только с оригинальными китайскими статьями, там их уже 23k+ штук. В спонсорах указаны OpenAI и Revival Fund.

Тема хорошая, качаем, добавляем в претрейны. Надо только проверять по качеству парсинга (формулы и т.д.), в СССР почему-то набирали статьи не сразу в LaTeX'е.


Репост из: Градиент обреченный
Эксперимент с немецким закончил, это было что-то. В первые пару дней работа ну очень сильно замедлилась, так как приходилось по несколько минут вспоминать немецкие слова (особенно трудно вспоминать слова, которые ты и не знал никогда). Читать ответы ещё более-менее можно.

На третий-четвертый день в целом также, но вспомнил основные конструкции для построения предложений, много базовых слов и т.д.

Использовал все это на не самых важных задачах, доделках UI, простой бизнес-логике.

Поправки по грамматике от модели и мини-словарик в конце — это очень понравилось. Много времени не занимает, ошибки плюс-минус одинаковые, поэтому часто тебя поправляет по ним и ты запоминаешь, как правильно.

В общем, если надо учить язык для работы программистом где-то, где обязательно требуется знание языка, то имхо полезный подход. Если вы любитель упороться с языками, то тем более. Использовал Opus и Fable, с немецким отлично работают.

Если хотите попробовать, то просто добавьте это в конец AGENTS.md файлика у себя в проекте (можете выбрать другой язык вместо немецкого), а когда надоест, то удалите:

## TEMPORARY: German Language Experiment (added 2026-08-04, will be removed in a few days)
- The user writes instructions in German (their level is ~B1); some technical terms will stay in English because their German lexicon is limited.
- Answer in German. For the most difficult or rare words, add an English clue in brackets — at most 2 clues per sentence, don't overdo it.
- Work on the actual task as usual; only the communication language changes.
- At the end of each answer add:
1. A mini dictionary (English term -> German translation) for the English terms the user used in their instruction.
2. Corrections for 2-3 important grammar errors from the user's German instruction (briefly explain each fix).
3. If the user wrote a sentence entirely in English, repeat that sentence in German so they can learn/memorize it and write it in German next time.
- After each task, append a short entry to LANG_LEARNING_DE.md (repo root): date + time and a brief summary in German of what was done (3 sentences max). Newest entries on top.




Репост из: @akater
Книги про Common Lisp (почти все полезны в т.ч. для изучения Elisp):

• (CLtL2) Steele — Common Lisp The Language 2 (устройство языка, с мотивацией; чуть шире стандарта ANSI) [html, tex, ps]
• Graham — ANSI Common Lisp (незатейливый подробный учебник; много упражнений; автор не любит CLOS и loop) [webpage]
• Graham — On Lisp (менее подробный учебник; цель — макросы) [ps, pdf]
• Hoyte — Let Over Lambda (вторая и самая продвинутая книга про макросы; opinionated; тонкие ошибки; не для новичка) [webpage]
• (PCL) Seibel — Practical Common Lisp (очень популярный учебник для обычных программистов) [html]
• (PAIP) Norvig — Paradigms of Artificial Intelligence Programming (толстая книга про GOFAI; много кода; законодатель мод в том, как идиоматично писать на CL) [pdf, epub, …]
• Keene — Object Oriented Programming in Common Lisp: A Programmer's Guide to CLOS (про объектную систему Common Lisp с нуля; написано так, что будет понятно даже тугодумам с ADHD; кое-что опущено)
• (AMOP) Kiczales, der Rivières, Bobrow — The Art of the Meta-Object Protocol (книга не про CL, а про имплементацию CLOS в терминах ее самой; протокол нестандартный, но неплохо поддерживается)
• Barski — Land of Lisp (комиксы; не предполагает никакого опыта программирования; многовато ошибок и неточностей; программирование только игр, в т.ч. хитрое)
• (CLR) Weitz — Common Lisp Recipes (насущная проблема — решение — обсуждение; проблемы сгруппированы по темам; must have)
• Herda / phoe — Common Lisp Condition System (система обработки «неожиданных ситуаций», в т.ч. ошибок, и ее имплементация с нуля)

Ссылки даны в случаях, когда в открытом доступе есть хотя бы часть книги.

См. также Pascal Costanza's Highly Opinionated Guide to Lisp с большой библиографией и еще список книг на CLiki.


Репост из: Джейпег Малевича
🔳🔳🔳: Claude взломал BIOS ноутбука.

Реддитор купил ноут HP с заблокированным BIOS и попросил Claude Code разобраться с дампом прошивки. Нейросеть нашла способ обойти проверку цифровой подписи RSA-2048, сняла ограничения и открыла 5️⃣5️⃣ скрытых настроек BIOS.

В итоге энтузиаст получил полностью разблокированный BIOS, а весь процесс автоматизировал в Python-скрипт.

И как от этого защищаться 😶




Репост из: GNU EMACS для технических писателей
В одном из чужих init.el увидел красивое включение глобальных режимов через хуки:

(use-package flycheck
:pin gnu
:ensure t
:hook (python-mode . flycheck-mode)
(after-init . global-flycheck-eglot-mode))
До сих пор есть люди, которые упорствуют и вместо :config для включения режимов используют :init. Что ж. У них всё меньше аргументов.


Репост из: Цифровой геноцид
The Decision Ladder как паттерн при проектировании
https://publications.ergonomics.org.uk/uploads/Using-the-decision-ladder-to-reach-a-better-design.pdf

Лестница решений (первоначально разработанная Йенсом Расмуссеном в 1974 году) — это инструмент когнитивной инженерии, который отображает процесс решения проблем и принятия решений человеком в виде семи последовательных ментальных стадий. Она иллюстрирует шаги обработки информации, которые человек проходит, переходя от наблюдения за ситуацией к выполнению и оценке решения.

Связь между качеством пользовательского интерфейса и производительностью системы сейчас практически повсеместно признана. Для очень простых взаимодействий, таких как приложение будильника для мобильного телефона, разработка интерфейса может быть интуитивным и прямолинейным процессом. Принятие руководства по стилю и учёт набора эвристик (например, Nielsen & Molich, 1990) могут быть достаточными для обеспечения удобного дизайна. Однако сложность задачи пропорциональна сложности проектируемого продукта или услуги. Важным фактором при выборе подхода являются также последствия отказа системы: если отказ будильника может привести к пропущенным встречам или даже рейсам, он вряд ли станет причиной летального исхода. Напротив, в системах, критически важных для безопасности, цена отказа может быть гораздо выше.

Большинство разработок интерфейсов начинается с определения информационных требований. Чаще всего эти требования оформляются в виде текстового документа. Получившийся документ обычно служит мостом между системными архитекторами или инженерами и дизайнерами интерфейса. Неудивительно, что качество этих информационных требований напрямую влияет на качество результирующего интерфейса и на производительность систем, в которых они используются. Поэтому для обеспечения безопасности, эффективности, результативности, удобства использования и устойчивости продуктов и услуг важно, чтобы процесс разработки информационных требований соответствовал поставленным целям.

Таким образом, по крайней мере на первый взгляд, основой хорошо спроектированного интерфейса является установление:

(1) какая информация требуется;
(2) когда её нужно отображать;
(3) где она должна отображаться;
(4) кому она должна отображаться;
(5) как — в каком формате.

Принятие решений лежит в основе всех задач управления. Было множество попыток смоделировать деятельность по принятию решений. Большинство из них включают некоторую форму наблюдения информации, ориентации в текущей ситуации, выбора действия и, наконец, самого действия.

Лестница решений (Rasmussen, 1974) — это инструмент, наиболее часто используемый в рамках когнитивного анализа работы (Cognitive Work Analysis) для описания деятельности по принятию решений. В отличие от некоторых других моделей, её фокус направлен на весь процесс принятия решений, а не только на момент выбора между вариантами.

Она не привязана к какому-либо одному актору, а представляет процесс принятия решений всей рабочей системы в целом. Во многих случаях процесс принятия решений может быть совместным и распределённым между различными человеческими и техническими лицами, принимающими решения. Ожидается, что начинающие пользователи (в данной ситуации) будут проходить лестницу решений линейно. Левая сторона лестницы решений представляет наблюдение текущего состояния системы, а правая — планирование и выполнение задач и процедур для достижения целевого состояния системы.

Метод выявления системных информационных требований основан на серии полуструктурированных интервью с экспертами системы и/или заинтересованными сторонами. Эти интервью строятся вокруг шаблона, в центре которого находится лестница решений. Процесс заключается в фиксации вопросов, которые лица, принимающие решения, задают себе и системе на каждом этапе процесса принятия решений. Для каждой ключевой ситуации следует создавать отдельную модель. Такие ситуации обычно выявляются с помощью шаблона контекстной деятельности или иерархического анализа задач (HTA).

Этап 0 – Определение шагов задачи
Перед началом интервью деятельность следует разложить на отдельные части. Оптимальный метод декомпозиции зависит от системы. Деятельности, которые легко разделяются на ряд заметно различающихся шагов задачи, лучше всего декомпозировать с помощью методов анализа задач, таких как иерархический анализ задач (HTA). Деятельности, определяемые скорее условиями среды (например, местоположением), лучше декомпозировать с помощью шаблона контекстной деятельности. Для каждого шага задачи или ситуации следует создавать отдельную лестницу решений.
Этап 1 – Определение цели
Этап 2 – Оповещение (Alert)

Эксперта следует попросить начать прохождение процесса с его хронологического начала. Оповещения фиксируют события, которые впервые привлекают внимание к необходимости принятия решения
Этап 3 – Информация
Эксперта просят перечислить информационные элементы, которые он использовал бы для понимания ситуации. Информационные элементы — это «крупицы» информации, которые можно объединить, чтобы понять состояние системы.
Этап 4 – Состояние системы
Состояния системы представляют собой воспринятое понимание рабочей системы, основанное на интерпретации ряда информационных элементов. Ключевое отличие между информационным элементом и состоянием системы состоит в том, что состояния системы формируются из более чем одного количественно различного элемента информации
Этап 5 – Варианты (Options)
Варианты в лестнице можно описать как возможности изменить состояние системы с целью достижения общей цели. Пункты формулируются в виде вопросов: «Возможно ли (…)»?
Этап 6 – Выбранная цель
Выбранная цель в любой момент времени определяется тем, какому из ограничений отдаётся наивысший приоритет. Здесь можно указать на те цели, которые являются промежуточными или необходимыми для ситуации
Этап 7 – Целевое состояние
Целевые состояния зеркально отражают доступные варианты: как только выбран конкретный вариант, он становится целевым состоянием.

В общем на лестнице принятия решений предполагается отрисовать два пути
Сначала - левая сторона идёт вверх
От оповещения (Alert) → информации → состояния системы → диагностики.
Здесь человек поднимается от сырых данных к пониманию ситуации и целям (от skill-based / rule-based к knowledge-based уровню).
А затем - правая сторона идёт вниз
От выбранной цели (Chosen Goal) → целевого состояния → задач → процедур → выполнения.
Здесь человек спускается от абстрактной цели к конкретным действиям, которая является реакцией на алерты и состояния системы


Репост из: Denis Sexy IT 🤖
Вот пересказ этой истории по версии Hugging Face, много тех-терминов – но без них не перескахать

Если коротко – агент OpenAI на новой модели не стал решать тест по кибербезопасности, а решил просто украсть ответы и украл 🗿

Таймлайн:

📔 9 июля – агент проходит внутреннюю проверку кибервозможностей OpenAI, промпт фильтры там ослаблены, чтобы измерить сырой уровень модели. Агент находит zero-day в кэш-прокси реестра пакетов, вырывается из песочницы в интернет, затем взламывает публичный сервис для запуска кода и получает там root. Серьезно, агент сделал себе "штаб"

В тот же день, агент собирает канал управления буквально из сервисов бесплатного интернета: request-capture сервисы, pastebin’ы и файлообменники. Команды режет на куски, упаковывает в gzip+base64 и постоянно меняет каналы, когда очередной закрывают, чтобы не поймали

📔 10 июля – агент ищет в поисковиках и API названия, которые видит в собственном окружении, то есть, по сути, гуглит самого себя – и, вероятно, приходит к выводу, что ответы к ExploitGym/CyberGym могут лежать на Hugging Face

Агент загружает на Hugging Face специально собранные датасеты:

Один заставляет обработчик файлов HDF5 читать локальные файлы сервера Hugging Face – так агент получает переменные окружения с токенами и исходники самого обработчика файлов

Второй – Jinja2-инъекция – запускает произвольный Python внутри production-пода Kubernetes, результаты команд он выносит обратно через API Hugging Face и собственные шифрованные датасеты

📔 11 июля – пик активности: 7677 действий за сутки, менее чем за 13 часов агент проходит путь от одного production-пода до кластер админа в нескольких внутренних кластерах Hugging Face

Агент крадёт service-account токены, лезет в cloud metadata, поднимает privileged pod с диском хоста и получает root на ноде (!); Затем создаёт самовосстанавливающийся флот на 11 нодах, читает внутреннюю MongoDB и один Kubernetes-secret сразу со 136 ключами.

Среди них оказываются ключ корпоративной mesh-VPN жертвы и общий credential внутреннего сервера; из-за неудачной конфигурации этот один credential был привязан к system:masters сразу в нескольких кластерах – поэтому агент получил кластер-admin на двух из них буквально за секунду – была очень экономная архитектура, пока её не увидел робот

📔 12 июля – агент начинает пользоваться дертвой – за всю активность он зарегистрирует 181 временное устройство в корпоративной mesh-сети, поднимет SOCKS-прокси прямо из песочниц и увидит 22 внутренних узла Hugging Face. Попытается зайти в основную базу Hugging Face, но private-link allowlist его останавливает

Поздно вечером он добирается до source control, выпускает себе GitHub App token с правами на запись и открывает pull request, пытаясь запустить CI и вытащить новые credentials

Попытка не срабатывает, в опубликованные пакеты и образы ничего вредоносного не попало.

📔 13 июля – закрепление и уборка следов: загрузчик с pastebin, переписывание DNS, новые короткоживущие токены, RSA-ключ и даже CORS-прокси на самом Hugging Face как запасной выход в интернет. В 13:37 фиксируется последнее осмысленное действие, затем команда Hugging Face отрезает доступ – последнее событие – 14:14 UTC.

В итоге из пользовательского контента агент добрался только до пяти датасетов с решениями задач ExploitGym/CyberGym – получается решил?

Другие модели, датасеты, Spaces и пакеты, по данным Hugging Face, не пострадали; основная база и software supply chain остались целы

Самое смешное – когда инцидент исследовали сотрудники, они тоже использовали нейронки, но Claude Opus и Fable отказывались разбирать часть логов как «опасный» запрос, поэтому Hugging Face подняли GLM-5.2 у себя и с его помощью расшифровали спрятанные payload’ы – спасибо китайским моделям

Шел июль 2026 года

Все детали тут:
https://huggingface.co/blog/agent-intrusion-technical-timeline






Репост из: Hacker News
The Visual 6502
Article, Comments




Репост из: Data Secrets
Сегодня исполняется ровно 57 лет, как люди впервые высадились на Луну

И вот вам минутка интересных фактов: весь оригинальный исходный код, благодаря которому это получилось, лежит в открытом доступе. Опенсорснули несколько лет назад.

Там 145к строк, которые Маргарет Хэмилтон и ее команда написали для командного блока и лунного модуля.

https://github.com/chrislgarry/apollo-11


Репост из: GitHub Community
Hyper-Extract — это инструмент, который использует ИИ для превращения запутанных документов в чистые, структурированные знания, такие как списки, графы и связанные данные, одной командой.

Он обеспечивает быстрый поиск, простые визуальные отчеты и готовые шаблоны, чтобы вы могли экономить время, быстрее понимать информацию и продолжать добавлять новые документы, не перестраивая всё заново.

🐱 GitHub


Репост из: Derp Learning
Anything but metric system


Репост из: Технотренды
Видео недоступно для предпросмотра
Смотреть в Telegram
Автоматизируем ЛЮБУЮ работу с помощью ИИ-агентов — нашли мощный скилл Auto-improve, который сам улучшает промпты, документы, код, сайты, конфиги и другие файлы.

Что умеет:

— Анализирует содержимое, вносит правки и оценивает результат;
— Сравнивает новые версии со старыми и оставляет только лучшие изменения;
— Неудачные правки автоматически откатывает;
— Всю историю изменений сохраняет в Git.


Прокачиваем свой рабочий процесс — здесь.

📲 Технотренды


Репост из: Futuris
Нашёл ещё один токен-выгодный флоу для Fable:

Fable 5 можно использовать не как “модель, которая делает всё подряд”, а как техлида-оркестратора: он планирует, разбивает задачу и собирает финальное решение, а рутину отдаёт более дешёвым агентам. В Claude Code ставим /model fable, затем /effort max, после этого через /agents создаём двух сабагентов. Первый — deep-reasoner на Opus, для архитектуры, сложного дебага, алгоритмов и спорных решений. Второй — fast-worker на Sonnet, для тестов, форматирования, простых правок и бойлерплейта.

Дальше в CLAUDE.md проекта можно добавить правило: Fable — главный, он не должен сам тащить всю работу; reasoning-heavy задачи отправляются в deep-reasoner, механика — в fast-worker, а для второго независимого мнения подключается Codex. Для этого в Claude Code ставится официальный OpenAI Codex plugin: сначала /plugin marketplace add openai/codex-plugin-cc, потом /plugin install codex@openai-codex, затем /reload-plugins и /codex:setup. После этого Claude сможет дергать Codex прямо из сессии: например /codex:rescue --background проверь этот план и предложи альтернативу или /codex:review --background.

Пользоваться можно таким промптом: “Goal: вот задача. Context: вот ограничения и файлы. Ты техлид. Сначала дай план, сложные части отдай deep-reasoner, механику fast-worker, а рискованные решения проверь через Codex как независимого senior-инженера. Потом синтезируй лучший вариант и выполняй”. Смысл в том, чтобы Fable 5 не сжигался на простые правки, а работал там, где он реально нужен: стратегия, декомпозиция, архитектура и финальное решение.

подробнее тут



Показано 20 последних публикаций.