Маркус Браунли сравнил камеру на ВСЕХ айфонах — блогер сделал одно и то же фото на моделях со всех линеек, с самого первого iPhone по 17.

Спойлер: старички все еще могут выдавать сочную картинку.

@exploitex

👾 Нашёл самый полезный репо для Claude Code — постоянно обновляемая база лучших скиллов, саб-агентов, MCP-серверов, плагинов, воркфлоу и различных команд.

Внутри есть всё, чтобы пользоваться Claude Code на максимум — можно за один вечер настроить мощнейшую команду из ИИ-агентов кастомно под свои задачи.

Сохраняйте — тут.

@notboring_tech

Жиза

@ai_machinelearning_big_data

#news #ai #ml

Интерактивная карта всего интернета — вышел залипательный Project Backbone, который показывает как устроена глобальная сеть.

Можно посмотреть на кабели под океанами, серверы в разных странах, оптоволокно под городами. Также через какие маршруты идут данные, как связаны регионы и насколько всё это... глобально.

Самое крутое: всё работает в режиме реального времени. Наблюдаем, как замедляется интернет в России — здесь.

@exploitex

Это войдет в историю: ИИ помог основателю GitLab в борьбе с раком!

У Сида Сийбранди диагностировали редкую форму рака и стандартное лечение не помогало, а врачи больше ничего не могли предложить.

Сид не опустил руки и начал действовать сам: собрал экспертов, погрузился в исследования и использовал для помощи ChatGPT, чтобы быстрее работать с научной литературой, анализировать множество данных о своем здоровье и искать варианты терапии.

Хоть ИИ сам не лечил рак (это делали люди), но модель помогла в РАЗЫ ускорить все тогда, когда каждый день на счету. И да — сейчас рак Сида в ремиссии.

🔥 — будущее прекрасно

@xor_journal

ИИ начал находить настоящие баги в ядре Linux. И никто не понимает, почему именно сейчас

Грег Кроа-Хартман, один из ключевых мейнтейнеров ядра Linux, заявил что ситуация с AI-сгенерированными баг-репортами кардинально изменилась.

Ещё недавно это был поток мусора - теперь это реальные баги с рабочими патчами.
Его слова: «Что-то произошло месяц назад, и мир переключился.

Теперь к нам приходят настоящие отчёты». И это не только Linux - по его словам, все крупные open source проекты видят то же самое. Команды безопасности общаются между собой неформально, и картина везде одинаковая.

Никто не понимает, что именно изменилось. Кроа-Хартман говорит прямо: «Мы не знаем. Никто не знает почему. То ли инструменты стали сильно лучше, то ли люди просто начали пробовать. Похоже, что это много разных групп и компаний одновременно».
Ядро Linux справляется - команда большая и распределённая.

Баги мелкие, не критические, но поток реальный и не замедляется.

А вот для маленьких open source проектов это проблема. У них просто нет людей, чтобы обработать внезапный наплыв качественных AI-репортов.

Раньше страдали от мусорных репортов, теперь страдают от настоящих.
По сути мы наблюдаем момент, когда AI-инструменты для поиска уязвимостей перешли из категории «игрушка» в категорию «инфраструктура». И open source к этому не готов.

theregister.com/2026/03/26/greg_kroahhartman_ai_kernel/

🐍 Linux полезные ресурсы 🚀Max

@linuxkalii

Что такое Claude Skills

Файл CLAUDE.md изначально не задумывался как место для хранения целых процессов. Но на практике туда начинают складывать всё подряд - общие правила, кодстайл, длинные чек-листы безопасности, пайплайны деплоя. В итоге один файл грузится в каждую сессию и съедает контекст даже тогда, когда Claude просто переименовывает переменную.

Показываю как профессионально работать с Claude и другими ИИ у себя в телеге!

Skills решают эту проблему. Они превращают процессы в отдельные модули, которые подгружаются только тогда, когда действительно нужны.

Идея простая. Skill - это папка внутри .claude/skills/. Внутри лежит файл SKILL.md, в котором есть две ключевые части: описание и сам процесс. Описание говорит модели, когда этот скилл нужно активировать. Инструкции объясняют, что именно делать.

Описание по сути становится триггером. Claude читает все доступные описания, следит за диалогом и, когда запрос совпадает по смыслу, автоматически подтягивает нужный скилл. Ничего вставлять вручную не нужно. Не нужны команды. Модель сама понимает намерение и включает нужный процесс. Если хочется контроля - любой скилл можно вызвать явно через slash-команду вроде /security-review.

Но автозапуск - это только верхний слой. Основная сила в том, что скиллы - это не просто инструкции, а полноценные пакеты.

SKILL.md может ссылаться на дополнительные файлы рядом с ним через @. Это могут быть стандарты безопасности, шаблоны релиз-нотов, чек-листы соответствия - всё, что нужно для конкретного процесса. Скилл упаковывает весь контекст в одном месте.

Внутри SKILL.md через YAML задаются имя, описание и доступ к инструментам. Последнее особенно важно. Например, скиллу для security review достаточно Read, Grep и Glob. Ему не нужно право на запись. Ограничение инструментов делает поведение предсказуемым и снижает риски.

Скиллы существуют на двух уровнях. Проектные лежат в .claude/skills/ и коммитятся в репозиторий, чтобы команда работала с одинаковыми процессами. Персональные находятся в ~/.claude/skills/ и переиспользуются между проектами.

Если в CLAUDE.md зашит длинный процесс из 20 шагов, он будет мешать в большинстве сессий. Тот же процесс, оформленный как отдельный скилл и активирующийся только по необходимости, работает точечно и не перегружает контекст.

В итоге роли разделяются. CLAUDE.md отвечает за правила и поведение. Skills - за выполнение конкретных процессов.

Ниже - подробный разбор всей системы: CLAUDE.md, хуки, skills, агенты и права доступа, и как это всё правильно собрать в рабочую конфигурацию.

🧠 Когда ИИ “тупит” - он буквально сжимает свой мозг

Есть наблюдение, которое меняет взгляд на то, как думают LLM.

Когда модель уверена - она “думает широко”.
Активно много нейронов, сигнал распределён, знания подтягиваются из разных мест. Это похоже на опытного инженера, который держит в голове несколько решений одновременно.

Но стоит задать что-то нестандартное - сложную математику, противоречивые факты или просто out-of-distribution вопрос - происходит неожиданное.

Модель резко “сжимается”.

Вместо широкой активации остаётся узкий, почти точечный сигнал в последнем слое.
Как будто система перестаёт опираться на накопленный опыт и пытается выжать ответ из минимального набора признаков.

Фактически - она теряет распределённую память и уходит в узкую специализацию на лету.

И вот здесь самое интересное.

Мы обычно не понимаем, что модель “поплыла”, пока не получаем неправильный ответ.
Но оказывается - она сама сигналит об этом внутри.

Этот “коллапс активации” можно измерить как конкретное число.
Не эвристика, не guesswork - прямой сигнал.

А значит:

можно в реальном времени понимать, что задача для модели сейчас слишком сложная
можно автоматически упрощать запрос
можно добавлять промежуточные шаги
можно управлять reasoning, а не просто надеяться на него

По сути, это шаг к self-aware inference - когда система сама знает, что не справляется.

И это уже не про “сделаем модель больше”.
Это про управление мышлением модели в процессе.

Если коротко - LLM не просто ошибается.
Она сначала “схлопывается”, и только потом начинает нести чушь.

arxiv.org/abs/2603.03415

🐍 полезные ресурсы 🚀Max

🌟 Transformers.js v4 вышел и теперь нейросети реально можно запускать прямо в браузере

Без серверов, без API, без костылей. Просто открываешь страницу и модель уже работает у пользователя на устройстве.

Главное изменение в том, что WebML наконец перестал быть игрушкой. Производительность выросла, задержки снизились, и часть задач теперь можно спокойно уносить на клиент.

Что это даёт на практике

Фронтенд начинает забирать кусок AI на себя
Меньше расходов на инфру и запросы к API
Лучше приватность, данные не уходят на сервер
Можно делать офлайн-фичи с ИИ прямо в браузере

Если коротко, браузер превращается в полноценную AI-платформу. И это только начало.

Blog post: https://huggingface.co/blog/transformersjs-v4
Release notes: https://github.com/huggingface/transformers.js/releases/tag/4.0.0
Demos: https://huggingface.co/collections/webml-community/transformersjs-v4-demos