METANIT.COM

Вайб-кодинг убивает open-source Несколько европейских университетов провели исследование по поводу влияния вайб-кодинга на экосистему открытых проектов. Исследователи разработали модель равновесия экосистемы открытого кода, которая показала, что обратные связи, ранее отвечавшие за взрывной рост открытых проектов, после распространения вайб-кодинга создают обратный эффект - уменьшается число разработчиков готовых делиться кодом, сокращается разнообразие открыты проектов и снижается качество. Одним из вариантов решения проблемы упоминается внедрение модели финансирования, напоминающей Spotify, при которой AI‑платформы перераспределяют доходы от подписок на сервисы для разработчиков среди сопровождающих, в зависимости от степени использования проектов. При вайб-кодинге разработчики перестают анализировать доступные решения, читать документацию, отправлять сообщения об ошибках и взаимодействовать с командами, развивающими открытые библиотеки. Открытые проекты теряют обратную связь с пользователям. Новым проектам становится сложнее пробиться, так как AI-ассистенты сами подбирают необходимые открытые библиотеки на основе информации, имевшейся на момент обучения модели. Из-за снижения прямого взаимодействия с пользователями страдает монетизация отрытых проектов, завязанных на услугах поддержки и показе рекламы/сборе пожертвований на сайтах. Из-за снижения обратной связи страдает качество. С другой стороны, вайб-кодинг повышает производительность труда при создании новых продуктов, основанных на чуждом коде, и упрощает внедрение новых библиотек. В качестве примера приведится Tailwind CSS, число загрузок которого из NPM растет, но трафик к документации с начала 2023 года снизился на 40%, а доходы упали на 80%. Также отмечено снижение активности обсуждений на Stack Overflow примерно на 25%, спустя 6 месяцев после запуска ChatGPT. https://news.slashdot.org/story/26/02/03/1754205/vibe-coding-kills-open-source https://arxiv.org/abs/2601.15494

Команда Cursor опубликовала разбор архитектуры мультиагентной системы, которая на пике делала около 1000 коммитов в час — 10 млн вызовов за неделю непрерывной работы без вмешательства человека. Тестовым проектом был веб-браузер на Rust Архитектура напоминает обычную команду разработки. Корневой планировщик владеет всей задачей и порождает подпланировщиков для отдельных направлений. Воркеры берут конкретные задачи, работают в своей копии репозитория и ничего не знают о системе в целом. По окончании они передают фидбек — заметки, сомнения, отклонения от плана и обратную связь Один из ключевых выводов: требование 100% корректности каждого коммита убивало производительность. Одна опечатка/изменение API останавливали всю систему, агенты бросались чинить одно и то же. Cursor сознательно разрешил небольшой процент ошибок — они быстро исправлялись другими агентами, а общий уровень оставался стабильным. Для релизов предусмотрена отдельная ветка с финальной проверкой. https://cursor.com/blog/self-driving-codebases

30 базовых концепций LLM (продолжение предыдущего поста) 1. LLM (Large Language Model) — модель, которая генерирует текст, предсказывая наиболее вероятный следующий токен. 2. Token (токен) — фрагмент текста, например, слово или знак препинания. 3. Tokenization (токенизация) — процесс преобразования текста в последовательность токенов. 4. Embeddings (эмбеддинги) — числовые векторы, которые отражают значение токенов. 5. Latent Space (латентное пространство) — математическое пространство, где эмбеддинги организуются по смыслу. 6. Parameters (параметры) — внутренние переменные, хранящие усвоенные моделью паттерны. 7. Pre-training (предварительное обучение) — обучение на огромных объёмах текстовых данных для освоения языковых паттернов. 8. Base Model (базовая модель) — предварительно обученная модель, которая предсказывает текст, но не следует инструкциям. 9. Instruct Model (модель с инструкциями) — базовая модель, дополнительно обученная следовать инструкциям и давать полезные ответы. 10. Fine-Tuning (дообучение) — дополнительное обучение на меньшем наборе данных для формирования поведения модели. 11. Alignment (выравнивание) — обеспечение того, чтобы поведение модели было полезным, честным и безвредным. 12. RLHF (Reinforcement Learning with Human Feedback — обучение с подкреплением с обратной связью от человека) — использование ранжированных человеком ответов для корректировки поведения модели. 13. Prompt (промпт) — полный ввод, отправляемый модели, включая инструкции и контекст. 14. System Prompt (системный промпт) — высокоуровневые инструкции, определяющие роль и ограничения модели. 15. User Prompt (пользовательский промпт) — конкретный вопрос или инструкция, предоставленная пользователем. 16. Context Window (окно контекста) — максимальное количество токенов, которое модель может обработать за один раз. 17. Zero-Shot Learning (обучение без примеров) — выполнение задачи без примеров в промпте. 18. Few-Shot Learning (обучение на нескольких примерах) — включение примеров в промпт для направления формата вывода или поведения. 19. Chain of Thought (цепочка мыслей) — побуждение модели демонстрировать пошаговое рассуждение. 20. Inference (вывод) — процесс генерации выходных токенов с помощью обученной модели. 21. Latency (задержка) — время между отправкой промпта и получением вывода. 22. Temperature (температура) — параметр, контролирующий случайность при выборе токенов. 23. Hallucination (галлюцинация) — уверенная генерация неверной или вымышленной информации. 24. Grounding (привязка к реальности) — ограничение вывода предоставленной или проверяемой информацией. 25. RAG (Retrieval-Augmented Generation — генерация, дополненная поиском) — извлечение внешних данных и добавление их в промпт перед генерацией. 26. Workflow (рабочий процесс) — фиксированная, предопределённая последовательность шагов, которых придерживается LLM. 27. Agent (агент) — система, в которой LLM планирует действия, а затем динамически выбирает шаги и инструменты. 28. Multimodality (мультимодальность) — способность обрабатывать несколько типов входных данных, таких как текст и изображения. 29. Benchmarks (бенчмарки) — стандартизированные тесты для сравнения возможностей модели. 30. Guardrails (ограничители) — системы, блокирующие небезопасные или неподходящие входные и выходные данные.

30 базовых концепций LLM (продолжение в следующем посте)

Нужны 7 желающих для работы с искусственным интеллектом. Работа из дома. График свободный. Пришло задание — изучили — выполнили — получили свои деньги. Деньги вы получаете в зависимости от сложности задания. Например: За задание могут платить 500-10.000 рублей. 500 рублей — это около 5-30 минут. 10 000 руб. это 5-6 часов. Работа может быть разной: Оживить фото, создать видео, реставрировать старое фото и т.д. 💰 В среднем новичок получает до 150.000 руб в месяц. А опытный может и 300-500т. Мы обучим вас сами: — 3 дня уроков по 30 минут — Домашки с проверкой и оплатой бонусами — Платим 10 тыс за каждую выполненную домашку ⚡ Набор заканчивается завтра. Для регистрации жмите кнопку "Зарегистрироваться": Зарегистрироваться #реклама 16+ ganstaagency.com О рекламодателе

Наглядно, как работает простая нейронная сеть ANN на 50 нейронов на 2 уровнях

Зарабатывайте на установках Яндекс Браузера Партнёрская программа для сервисных центров, магазинов компьютерной техники, сайтов для скачивания файлов и авторов статей. Вы можете предлагать его своим клиентам и аудитории — и зарабатывать на новых установках. Выплаты до 500₽ за каждую установку Яндекс Браузера. Подать заявку #реклама 0+ partner.browser.yandex.ru О рекламодателе

Разница между протоколами IPv4 и IPv6 (продолжение предыдущего поста) IPv4 и IPv6 являются двумя протоколами для взаимодействия по сети. Рассмотрим конкретные отличия между ними: 1. Формат адреса: * IPv4: использует числовую точечно-десятичную нотацию (например, 192.168.0.12). Адреса состоят из 32 бит, что позволяет использовать около 4,3 миллиарда уникальных адресов (2³²). * IPv6: использует алфавитно-шестнадцатеричную нотацию (например, 50B3:F200:0211:AB00:0123:4321:6571:B000). Адреса состоят из 128 бит, что обеспечивает колоссальное количество уникальных адресов (2¹²⁸) — практически неограниченное число для каждого устройства. 2. Количество доступных адресов: * IPv4: ограниченное количество адресов (2³²), из-за чего адреса приходится повторно использовать и маскировать. * IPv6: каждый устройство может иметь уникальный адрес благодаря огромному пространству адресов (2¹²⁸). 3. Способ настройки: * IPv4: настройка осуществляется через DHCP (Dynamic Host Configuration Protocol) или вручную. Протокол был развёрнут в 1981 году. * IPv6: поддерживает автоматическую настройку адресов, что упрощает развёртывание и управление сетью. Протокол был внедрён в 1998 году. 4. Структура заголовка (header): * IPv4 Header включает поля: * Version (версия); * IHL (Internet Header Length — длина заголовка в 32-битных словах); * Type of Service (тип обслуживания); * Total Length (общая длина пакета); * Identification (идентификатор); * Flags (флаги); * Fragment Offset (смещение фрагмента); * TTL (Time to Live — время жизни пакета); * Protocol (протокол); * Header Checksum (контрольная сумма заголовка); * Source Address (адрес источника); * Destination Address (адрес назначения); * Options (опции) и Padding (дополнение). * IPv6 Header упрощён и содержит: * Version (версия); * Traffic Class (класс трафика — аналог Type of Service в IPv4); * Flow Label (метка потока — новое поле для идентификации потоков данных); * Payload Length (длина полезной нагрузки); * Next Header (следующий заголовок — указывает на тип следующего заголовка в пакете); * Hop Limit (предел хопов — аналог TTL); * Source Address (адрес источника); * Destination Address (адрес назначения). Некоторые поля IPv4 либо удалены, либо изменены в IPv6, что снижает нагрузку на обработку пакетов. 5. Совместимость и взаимодействие: * Dual Stack (двойной стек): позволяет устройствам работать одновременно с IPv4 и IPv6. Приложения могут использовать как IPv4, так и IPv6, взаимодействуя через TCP/UDP. * Перевод между сетями: сети IPv4 и IPv6 не могут напрямую взаимодействовать — требуется трансляция (перевод) адресов для обеспечения связи между устройствами, использующими разные протоколы. 6. Идентификаторы протоколов: * IPv4: Protocol ID — 0x0800. * IPv6: Protocol ID — 0x86DD. 7. Уровень безопасности: * IPv6 изначально разработан с учётом поддержки механизмов безопасности (например, IPsec), в то время как в IPv4 безопасность добавляется дополнительно. Таким образом, IPv6 является эволюцией IPv4, решая ключевые проблемы предшественника — ограниченность адресного пространства, сложность настройки и недостаточную безопасность. Упрощённая структура заголовка и поддержка автоматической конфигурации делают IPv6 более современным и эффективным протоколом для будущих сетевых решений.

Разница между протоколами IPv4 и IPv6 (продолжение в следующем посте)

Авто из ЕС на 30-40% дешевле чем в РФ! Авто из Европы🚗 Льготный утилизационный сбор✅ Полный пакет документов для постановки на учет в РФ👌 По договору, без предоплаты. Наличие авто у нас в канале Посмотреть каталог #реклама О рекламодателе

Ведущие инженеры Anthropic и OpenAI: “ИИ уже пишет 100% нашего кода” В Anthropic некоторые инженеры больше не пишут код, на котором работают их продукты. Руководитель направления Claude Code в Anthropic, Борис Черный, признался, что уже более двух месяцев не писал ни строчки кода собственноручно и что теперь 100% его кода создается с помощью ИИ. По его словам, в масштабах всей компании эта доля колеблется примерно между 70% и 90%. Что же касается самого Claude Code, то около 90% его собственного кода создается им же самим – своеобразный замкнутый круг автоматизации. Roon, популярный анонимный аккаунт в X, который ведет исследователь OpenAI, тоже написал, что больше не создает код сам. “Сто процентов – я больше не пишу код”, – ответил он на вопрос о том, какую долю работы за него выполняют ИИ-модели. В другой публикации он добавил: “Программирование всегда было мучением. Необходимой болью почти для каждого, кто хотел заставить компьютер делать что-то полезное. И я рад, что с этим покончено”. https://fortune.com/2026/01/29/100-percent-of-code-at-anthropic-and-openai-is-now-ai-written-boris-cherny-roon/

ИИ-бот заплатил человеку $100 за физический пикет, подработка нашлась на Rent a Human Ранее сообщалось, что для ИИ-агентов появился сервис, где они могут нанять людей. И вот пользователь из США рассказал, что нашел подработу на ресурсе Rent a Human, где ИИ-бот заплатил ему $100 за физический пикет с нарисованным от руки плакатом. В задании было указано, что человеку надо просто сделать большой плакат с надписью, что ИИ заплатил ему за это. После выполнения задания человек получил оплату. В настоящее время на ресурсе не особо много физических заданий, но есть вот такие: посчитать голубей в парке в определённое время и предоставить итоговый отчёт, содержащий: общее количество, имена голубей с описаниями и любые заметные особенности поведения голубей. «Это важное научное исследование, заказанное коалицией агентов ИИ, которые не могут лично наблюдать за голубями. Ваш вклад в базу знаний о голубях будет высоко оценён», — пояснил заказчик. https://rentahuman.ai/bounties

Шпаргалка по двоичному представлению числовых значений

Конференция для инвесторов: тренды и стратегии 2026 года Хотите уверенно ориентироваться в мире инвестиций? Приглашаем 3 марта на бесплатную конференцию «Инвестиции и тренды» в Новосибирске! Это возможность узнать от ведущих экспертов и практиков отрасли о главных тенденциях, которые будут определять финансовые рынки в 2026 году. Обсудим: — ключевые вызовы и перспективы 2026 года — возможности заработка на рынках США и Азии — современные стратегии и практические советы по формированию капитала ✨ Особый блок — инвест-шоу «Лампа Трампа»: открытая дискуссия с приглашенными аналитиками и инвесторами о возможностях для роста в нестабильной экономике, выборе активов и долгосрочных стратегиях Место проведения: Новосибирск, отель «Гранд Автограф» 📅 3 марта 2026 года, начало в 18:00 Количество мест ограничено! Зарегистрироваться Финансовые услуги оказывает: АО «Инвестиционная компания «ФИНАМ». #реклама 16+ broker.finam.ru О рекламодателе

В США спрос на редакторов и писателей вырос из-за развития ИИ Один из экспертов заявил, что на рынке контента «настолько много мусора», что работодатели готовы платить большие суммы тем, кто может писать качественно, сообщает портал аботодатели в США снова стремятся нанимать специалистов в области коммуникаций, редакторов и писателей, поскольку вместе с распространением технологий искусственного интеллекта (ИИ) растет количество некачественного контента, сгенерированного нейросетями. Об этом сообщил портал Business Insider. Отмечается, что с ростом количества ИИ-контента в сети снова появилась необходимость в редакторах и специалистах, способных писать качественные и убедительные тексты, благодаря которым компания сможет выделиться среди конкурентов. Некоторые эксперты отмечают, что лучшая защита от автоматизации — это гуманитарное образование. Один из экспертов заявил, что на рынке контента «настолько много мусора», что работодатели готовы платить большие суммы тем, кто может писать качественно. https://tass.ru/ekonomika/26345669

Как работает атака CSRF (Cross-Site Request Forgery) (продолжение предыдущего поста) CSRF — это атака, при которой злоумышленник вынуждает жертву выполнить нежелательные действия в веб-приложении, где она уже аутентифицирована. Рассмотрим механизм атаки по этапам, согласно изображению: 1. Пользователь входит в систему и получает сессионный cookie/токен (шаг 1): * пользователь заходит на легитимный сайт и проходит аутентификацию; * сайт выдаёт пользователю сессионный cookie или токен, который подтверждает его авторизацию. 2. Злоумышленник создаёт вредоносный веб-сайт или код (шаг 2): * атакующий разрабатывает специальную страницу или фрагмент кода, который имитирует легитимные запросы к сайту, где пользователь уже авторизован; * цель — заставить браузер жертвы отправить запрос на целевой сайт от имени пользователя. 3. Пользователь взаимодействует с вредоносным контентом (шаг 3): * жертва посещает вредоносный сайт или кликает на ссылку, содержащую вредоносный код (например, через фишинг, социальную инженерию); * при этом пользователь остаётся авторизованным на целевом сайте (где хранится его cookie/токен). 4. Вредоносный код отправляет запрос с учётными данными пользователя (шаг 4): * вредоносный код автоматически формирует HTTP-запрос (например, для перевода денег, изменения настроек аккаунта и т. д.) и отправляет его на целевой сайт; * браузер жертвы передаёт вместе с запросом сессионный cookie/токен, так как считает запрос легитимным (пользователь уже авторизован). 5. Целевой сайт обрабатывает поддельный запрос (шаг 5): * сайт не может отличить легитимный запрос от поддельного, так как видит валидный cookie/токен; * сайт выполняет действие, заложенное в запросе (например, переводит деньги, меняет пароль и т. д.), думая, что это действие инициировал сам пользователь. 6. Злоумышленник получает несанкционированный доступ и манипулирует действиями учётной записи пользователя (шаг 6): * атакующий достигает своей цели — выполняет нежелательные действия от имени жертвы (кража данных, финансовые махинации, распространение вредоносного контента и т. д.). ### Способы защиты от CSRF-атак: * Использование Anti-CSRF токенов — уникальные токены добавляются в формы и запросы для проверки легитимности. * Двойная отправка cookies (Double Submit Cookies) — сравнение cookies в HTTP-заголовке и теле запроса. * Проверка заголовка Referer — сайт анализирует, откуда пришёл запрос, и отклоняет подозрительные. * Ограничение cookies для одного сайта (SameSite cookies) — предотвращает отправку cookies на сторонние сайты. * Ограничение методов запросов (Limit Request Methods) — разрешаются только безопасные HTTP-методы (например, GET), а опасные (POST, PUT) требуют дополнительной проверки. * Усиленная аутентификация пользователя — дополнительные шаги подтверждения (например, двухфакторная аутентификация) для критических действий.

Как работает атака CSRF (Cross-Site Request Forgery) (продолжение в следующем посте)

Бесплатный курс по тестированию мобильных приложений! Станьте экспертом в Mobile QA. Научитесь проверять мобильные приложения с учетом специфики разных платформ. - 11 модулей обучения. - Онлайн-формат. - Сертификат после завершения обучения. Регистрация уже открыта! Зарегистрироваться #реклама 16+ study.selectel.ru О рекламодателе

Google планирует отказаться от операционной системы ChromeOS к 2034 году Google планирует поэтапный отказ от операционной системы ChromeOS к 2034 году. Таким образом компания намерена выполнить свои 10-летние обязательства по поддержке устройств, которые не будут совместимы с Aluminium OS. Объединённая из ChromeOS и Android система должна дебютировать в 2028 году, при этом уже в 2026 году доступ к ней получат так называемые коммерческие доверенные тестировщики. В релизной версии 2028 года предполагается поддержка корпоративного и образовательного сегментов, тогда как сроки полноценного выхода Aluminium OS пока не уточняются. Продолжительный переходный период в Google объясняют аппаратными ограничениями. Большинство уже выпущенных Chromebook не смогут работать под управлением новой системы, поэтому компания обязана поддерживать ChromeOS вплоть до 2033 года. https://www.theverge.com/tech/869659/aluminium-why-googles-android-for-pc-launch-may-be-messy-and-controversial

Сравнение базовых операций в MySQL и MongoDB