Hacker News Digest

Получение японского гражданства намеренно устроено непрозрачно: требует обширного пакета документов, занимает не меньше года, а решение отчасти субъективно. Автор начал процесс ещё в 2012 году, когда пришёл в бюро по гражданским делам по другому вопросу и решил заодно заговорить о натурализации. Тогда пожилой чиновник министерства юстиции принял его без записи — сегодня так не бывает, желающих стало гораздо больше.

Список бумаг впечатляет: оригиналы свидетельств о рождении обоих родителей и всех шести братьев и сестёр, подтверждение их брака, подписанное матерью заявление о его рождении, данные о родне жены с указанием, кто за натурализацию, а кто против, полная история адресов, учёбы с детского сада и работы, все налоговые декларации и справки об удержаниях. Всё на английском — в оригинале и с заверенным переводом на японский, причём без латиницы: только иероглифы, азбуки и арабские цифры, а каждое имя собственное — катаканой.

Сама церемония оказалась будничной: работник опоздал на четыре дня, вызвал в ту же комнату для «собеседований», разделённую пластиковой перегородкой, вручил свидетельство о натурализации и велел идти в мэрию за семейным реестром. Никаких клятв и торжеств — только «о-цукарэсама дэсита». Приятный курьёз: при создании реестра пришлось заново сделать предложение жене, ведь внесение в её семейный реестр и есть в Японии административный акт брака.

Процесс натурализации в Японии непрозрачен и субъективен, требует большого пакета документов и часто длится более года. В 2025 году срок проживания для натурализации сокращён до пяти лет (против десяти лет для постоянного вида на жительство). Япония не признаёт двойное гражданство, поэтому после получения японского паспорта необходимо отказаться от предыдущего гражданства — это осложняет процесс для обладателей «сильных» паспортов. Требуется детальный список всех адресов и дат проживания, что затрудняет процесс для иностранных резидентов, не способных собрать такие данные. Обсуждаются различия между постоянным видом на жительство и натурализацией, а также демографический кризис, который правительство пытается решить через иммиграцию, но сталкивается с культурными и политическими возражениями. Большинство комментаторов считают, что строгие иммиграционные барьеры и демографический спад делают натурализацию лишь временной мерой, недостаточной для стабилизации населения. Спор: одна сторона утверждает, что массовый приток иммигрантов разрушит уникальную культуру Японии, другая приводит примеры стран, успешно использующих иммиграцию для замедления демографического спада. Опыт участников показывает, что система натурализации архаична и произвольна, часто служит фильтром, отбирающим только действительно преданных кандидатов.

MapQuest добавил слой, показывающий расположение известных уличных камер наблюдения и считывателей номерных знаков. В него включены камеры Flock, а также устройства Motorola Solutions (Vigilant), Genetec, Axis Communications, Axon, Leonardo (ELSAG), Neology, Rekor, PlateSmart, Ubicquia и Verkada. Переключатель находится рядом с опциями отображения пробок и происшествий, так что найти его в приложении несложно.

Это продолжение череды неожиданных улучшений сервиса: ранее MapQuest отказался переименовывать озеро Онтарио в «озеро Америка» (в отличие от Google Maps и Apple Maps), а затем добавил поддержку Android Auto и маршруты общественного транспорта. Обновление анонсировали коротким видео под песню Rockwell «Somebody's Watching Me».

Полностью избежать таких камер на привычных маршрутах вряд ли получится, но новый слой наглядно показывает, насколько плотно наблюдение распространено в конкретном районе. Это полезная информация для тех, кто пытается избавить свои кварталы от слежки.

Слой камер в MapQuest использует данные OpenStreetMap, добавляемые через DeFlock и аналогичные приложения, что позволяет любому размещать камеры и создаёт риск вандализма и неточностей. Опыт использования MapQuest в CarPlay разделён: одни отмечают стабильность и удобство, другие — частые зависания и краши. Большинство пользователей — старшее поколение, сохраняющее привычку пользоваться сервисом несмотря на конкурентов. Некоторые считают добавление слоя камер политическим пандерингом, но большинство воспринимает его как ответ на запросы о видимости камер. Для защиты от потери данных рекомендуется хранить чистые снимки США из OSM на внешних серверах за пределами США. Для монетизации без навязчивой рекламы предлагается ввести платную подписку за «чистый» навигатор без рекламы.

Llmspeed полезен для предварительной оценки, но критикуется за низкую точность симуляций, игнорирование speculative decoding и отсутствие поддержки multi-GPU. Точность симуляций вызывает споры: @kgeist и @binary132 заявляют о реальной скорости в 2-4 раза выше расчетной (80-110 t/s против 20 t/s), тогда как @adrian17 считает некоторые пиковые значения завышенными. Бенчмарки часто игнорируют критические факторы: размер контекста, управление KV-кэшем, специфику prefilling и возможность тонкой настройки параметров. Для реального представления о производительности @kristopolous и @montroser рекомендуют арендовать аналогичное железо на vast.ai на короткий срок. Пользователи просят добавить поддержку multi-GPU конфигураций, выбор версии PCIe, NVLink и поддержку старого оборудования (например, RX580). По опыту @Jabdoa2 в проде с vllm, реальные агентские нагрузки с длинными промптами (60-140k) снижают пропускную способность декодирования в 2-3 раза по сравнению с бенчмарками. Программные оптимизации развиваются быстрее железа: @lopotubez на 9-летнем ноутбуке с GTX 1070 достигает 16-19 t/s на модели 35B благодаря форку llamacpp (Turboquant). Рынок потребительских GPU нестабилен: @montroser отмечает резкий рост цен на RTX 3090 и аренду мощностей в сентябре.

На северо-востоке США набирает силу движение за снос малых плотин — часто устаревших и заброшенных. Если демонтаж крупных дамб на Западе привлекает больше внимания, то здесь реки и ручьи постепенно освобождают от тысяч мелких преград, и рыба возвращается. Особенно заметно возвращение сельди: она идёт вверх по течению в огромных количествах, восстанавливая исторические нерестовые пути.

Сюжет статьи перекликается с историей XIX века: в 1859 году фермеры города Билерика в Массачусетсе наняли землемера, чтобы обосновать снос плотины Talbot Mills на реке Конкорд — она подтапливала поля и портила сено. Этим землемером был Генри Дэвид Торо, который терпеть не мог эту плотину и называл съёмку «нудной работой». Сегодня снос одной небольшой плотины за другой открывает рыбе путь и постепенно возвращает рекам естественное течение.

Малые дамбы часто устарели и требуют дорогостоящего обслуживания и сейсмической модернизации. Их удаление экономически оправдано и повышает температуру воды, снижая растворённый кислород, что улучшает экологическую устойчивость в условиях глобального потепления. Однако удаление не всегда восстанавливает миграцию рыб (как в случае Elwha), и исторические аргументы за сохранение дамб часто неубедительны, используясь как оправдание обеих сторон. Альтернативы — рыболовные лестницы, искусственные затопления и резервуары — рассматриваются для сохранения гидроэнергетики и улучшения миграции рыб, особенно в регионах с ограниченными водными ресурсами. Удаление снижает риск опасных происшествий на низкоподъёмных дамбах. Малые ГЭС генерируют мало энергии (сравнимо с одной ветряной турбиной), поэтому их удаление не сильно влияет на энергобаланс, но может снизить производство чистой энергии, приводя к увеличению выбросов при замене на ископаемое топливо. Экосистема не возвращается к прединдустриальному состоянию — последствия долгосрочные. Выгоды для владельцев земель от превращения прибрежных зон в влажные считаются взаимовыгодными. В некоторых странах (например, Израиле) используется масштабная дезалинизация как альтернативный подход к водоснабжению. Экономические и экологические последствия удаления дамб неоднозначны.

Сайт предлагает проверить, насколько случайны ваши числа: вы называете вслух цифры от 1 до 9, а алгоритм пытается угадать каждую следующую. Перед вашим ответом «дом» как бы запечатывает свою догадку в конверт, а после — вскрывает. Первые десять чисел идут как разминка, затем начинается подсчёт. В финале вы увидите, как ваша «случайность» соотносится с результатами 206 участников психологического исследования.

«Дом» использует десять предсказателей одновременно и доверяет тому, что был точнее в последнее время: одни считают, какая цифра чаще следует за какой, другие отслеживают ваши шаги вверх-вниз. Главную работу делает предсказатель, замечающий, какие числа вы давно не называли, — люди тянутся к «забытым» цифрам, тогда как в истинно случайной последовательности каждое число независимо от предыдущих. Стартовую фору дают данные 418 человек, каждый из которых выбрал по 200 чисел от 1 до 9.

Набирать числа на клавиатуре — более слабый тест: назвать число вслух означает сначала его придумать, а на клавиатуре легко нажать не выбирая. Распознавание речи работает прямо в браузере: аудио никуда не отправляется, а речевой пакет (~31 МБ) скачивается один раз. Если подсмотреть догадку «дома», его счёт перестаёт считаться доказательством до конца розыгрыша.

Алгоритм предсказывает вводимые цифры с точностью 70–80 % при простом вероятностном моделировании, как показал эксперимент @costco. Тип ввода влияет: набор клавиш легче читается алгоритмом, голосовой ввод затрудняет предсказание, как отмечают @steve_adams_86 и @plank. При тестировании с Math.random алгоритм угадал 18 из 190 (9 %) против ожидаемых 11 % при случайном угадывании, что подтверждает его эффективность. Использование известной последовательности (π) приводит к угадыванию 1 из 10, что не лучше случайного, как показал @wren6991. Стратегии повышения случайности: менять подход после угадывания, использовать «n1+n2 mod 9+1», выбирать соседние числа, как советуют @kykat, @malfist, @Trusteando. Тёплый запуск (warm‐up) с повторением одного числа может сбить алгоритм, но затем его следует избегать, как отмечает @malfist. Некоторые участники получили очень низкое число угадываний (1 из 32), что указывает на высокую случайность, другие — высокое (9 из 117), указывающее на низкую. Алгоритм использует простую вероятностную модель, которую даже авторы экспериментов не смогли обойти, как заявляет @costco. Сайт «запечатывает» предсказания и раскрывает их после, но детали механизма не раскрываются, как спрашивает @frutiger. Алгоритм легче читает набор клавиш, голосовой ввод делает его менее предсказуемым, подтверждая различие в точности.

Представлена архитектура «гибридных агентов рассуждения» (HybridAgents), которая позволяет языковой модели динамически переключаться между скрытым (латентным) рассуждением и текстовым взаимодействием в рамках единого процесса генерации. Современные агенты на основе больших языковых моделей по-прежнему рассуждают и действуют через текст, тогда как латентное рассуждение эффективнее как внутренняя среда, но лишено доступа к инструментам и прозрачности. Мост между этими подходами обеспечивает лёгкий компонент HybridLink, а непрерывная рабочая память сохраняет гибридный контекст без потерь между ходами. Это сохраняет возможности агента с интеграцией инструментов и делает скрытые мысли доступными для проверки.

Для обучения предложены два алгоритма: HybridSFT стабилизирует гибридную генерацию с инструментами, а HybridRL учит, когда думать в латентном пространстве, а когда действовать через текст. Оценка проведена на трёх масштабах моделей и 11 наборах задач по математике, науке, медицине, поиску и агентному рассуждению. По сравнению с передовыми агентами и фреймворками гибридный агент стабильно улучшает результат на 10,4% при сокращении числа токенов на 35,5–54,7%, ускорении вывода в 1,8–2,6 раза и снижении затрат в 2,7–3,7 раза.

Обсуждение дополняет статью критикой безопасности и наблюдаемости скрытого рассуждения, указывает на практические проблемы с зацикливанием моделей, ставит под сомнение новизну подхода, подчёркивает отсутствие публичных бенчмарков и предлагает архитектурные улучшения, а также рассматривает возможность расширения применения гибридных агентов за пределы текста.

• Безопасность и наблюдаемость: несколько участников (cannonpalms, sheepscreek, larodi) отмечают, что скрытое рассуждение уменьшает возможность отслеживать намерения модели и повышает риск непредсказуемого поведения.

• Спор: Новизна подхода: octoberfranklin утверждает, что гибридные агенты лишь переименовывают уже известный «continuous chain of thought», в то время как другие считают, что добавление латентного режима всё же представляет новое сочетание.

• Совет: amluto предлагает расширить входные эмбеддинги, объединяя латентный вектор и токен‐эмбеддинг, либо просто складывать их, чтобы использовать полную мощность латентного режима даже при генерации текста.

• Совет: 44za12 требует публикации бенчмарков, спрашивая, ускоряет ли гибридный подход инференс и уменьшает ли токен‐расход, а также улучшает ли точность на конкретных задачах.

• Практические проблемы: пользователи (sinuhe69, SwellJoe) сообщают, что модели часто застревают в бесконечном «thinking loop», не завершая простые запросы, что ставит под вопрос стабильность метода.

• Положительные ожидания: ajey_ds и Fe2O3 считают, что переход от текстового к векторному внутреннему рассуждению может ускорить вывод и повысить качество, поскольку язык может быть узким местом.

• Совет: iforgotmypasswo задаёт вопрос о возможности связывать латентные представления с другими системами, например аналоговыми датчиками, предлагая расширить применение гибридных агентов за пределы текста.

• bhattisatish делится ссылками на код и модели, подтверждая, что репозиторий открыт, но при этом подчёркивает отсутствие публичных оценок.

• Совет: larodi и sheepscreek советуют сохранять «thinking tokens», так как они позволяют аудитировать намерения модели; удаление их ухудшает наблюдаемость.

I wonder how this compares to going all-in: widen the input embedding to fit the output (post-“Hybrid Link”) latent vector and a token embedding and pass both through even when in text mode. After all, you’re paying essentially the full cost of running the latent-mode model while generating text,… — @amluto

Перевод: Интересно, как это сравнивается с полным переходом: расширить входное эмбеддинг‐пространство, чтобы вместить как латентный вектор после «Hybrid Link», так и токен‐эмбеддинг, и пропускать их оба даже в текстовом режиме. В конце концов, мы почти полностью оплачиваем работу модели в латентном режиме...

Собаки, как и люди, склонны связывать бессмысленные звуки с формой предметов: услышав «Буба», они дольше смотрят на округлые фигуры, а при слове «Кики» — на угловатые. Эффект «буба/кики» известен с 1920-х годов и проявляется у носителей разных языков, что намекает на универсальность связи между звуком и зрительным образом. Теперь исследование под руководством зоопсихолога Элеоноры Биффи из Пармского университета показало, что это свойственно и домашним собакам.

В первом эксперименте участвовали 51 собака с хозяевами: на двух экранах со динамиками попеременно звучало «Буба» или «Кики», а фигуры менялись местами. Поведение снимали на камеру, а записи обрабатывал искусственный интеллект, отслеживавший направление взгляда. Собаки достоверно чаще смотрели на округлую фигуру при слове «Буба» и на колючую — при «Кики». Во втором эксперименте с 19 собаками хозяевам надели наушники с рок-музыкой, чтобы исключить невольные подсказки. Любопытно, что в первой серии собаки в целом чаще смотрели на угловатые фигуры, но при заглушённых хозяевах эта склонность исчезла.

Авторы предполагают, что предпочтение «колючих» форм может быть связано с морфологией морды самих собак и волков, более угловатой по сравнению с округлыми лицами человеческих младенцев. Выводы пока предварительны, но открывают путь к вопросам о том, почему собаки так легко перенимают человеческий язык и как они стали нашими спутниками.

Обсуждение добавляет критический взгляд: эксперимент считается ненадёжным из‐за возможного влияния невербальных сигналов хозяина, малой выборки (19 собак) и эффекта «умного Ганса». При этом отмечается, что аналогичный эффект Bouba‐Kiki обнаружен у цыплят, что поддерживает гипотезу о глубокой биологической основе звук‐форма ассоциаций. Предлагаются фонетические (звонкие гласные в «Bouba», глухие согласные в «Kiki») и топологические (кривизна контуров) объяснения различий между звуками. Для повышения достоверности рекомендуется увеличивать выборку и усиливать изоляцию владельца от животного.

Математикам сейчас стоит заниматься своей наукой: никогда ещё для этого не было лучшего времени. Главная мысль в том, что автоматические системы доказательства теорем уже всерьёз меняют то, как устроена математика, и это не повод для тревоги, а наоборот — источник возможностей.

Автор разбирает, чем работа математика отличается от простого перебора шагов: ценность в постановке задач, интуиции и понимании, а не в механическом выводе. Он показывает, как выглядит «машина доказательств», и разбирает, что она умеет и где пока беспомощна. Отдельно он отталкивается от поста с сотней реакций математиков на сотню решённых задач — своего рода срез настроений сообщества, где одни видят угрозу, а другие — инструмент. Общий вывод оптимистичный: рутинные и технические участки работы можно переложить на машины, а людям останется более творческая часть.

AI увеличит спрос на математиков, которым потребуется интерпретировать автоматические доказательства и формулировать новые задачи, поскольку человеческое понимание и постановка проблем остаются необходимыми. Это делает картину неоднозначной: с одной стороны, AI лишает математику смысла, демотивирует и дегуманизирует профессию (nritchie, zkmon, zarzavat); с другой — позволяет сосредоточиться на постановке задач, новых областях и работе небольших команд (PixelForg, Valakas_, koik). AI упрощает сложность: простые задачи становятся тривиальными, средние — лёгкими, ранее невозможные — достижимыми, что открывает возможности для малых команд, но усложняет вход новичкам. Практикующие математики (rubikscube09) отмечают, что работа с LLM выглядит бездушной и не соответствует ожиданиям личных открытий, вызывая ощущение потери творческого вклада. Опыт студентов подтверждает, что автоматизация меняет мотивацию и чувство собственного вклада, требуя переосмысления целей. Чтобы оставаться востребованным, необходимо развивать навыки формулирования проблем, сотрудничества с LLM и интерпретации машинных доказательств. AI делает математику более похожей на естественную науку, расширяя прикладные возможности и требуя новых методов верификации и экспериментов. Некоторые оптимисты (margorczynski, nathanfig) считают этот переход естественной эволюцией, аналогичной принятию генеративных инструментов в программировании, тогда как другие называют их взгляды наивными из-за сравнения с отказом от ручного кодирования.

После покупки Namecheap частным инвестором CVC в 2025 году пользователи отмечают рост цен, ухудшение поддержки и произвольные изъятия доменов, что подрывает доверие к сервису. Большинство советует перейти к более надёжным регистрарам с прозрачными тарифами, например Cloudflare, Gandi или Google Domains. Повышение цен у регистраторов часто связано с желанием увеличить маржу и ростом цен со стороны реестра (как в случае Verisign и .com). Пользователи жалуются на произвольные блокировки и изъятие доменов Namecheap, иногда без предупреждения. Есть сообщения о передаче аккаунтов третьим лицам без проверки и о «фронт‐ранинге» доменов — регистрации за себя и продаже по завышенным ценам. Также отмечаются опасения по поводу приватности из-за требований AML/KYC и сбора личных данных. Советы: выбирать регистраторы с хорошей поддержкой, делать резервные копии и не экономить на обслуживании домена. Экономия в несколько долларов в год не оправдывает риск потери домена, особенно для бизнес‐критичных сервисов. В качестве альтернативы часто упоминаются Cloudflare (домены по себестоимости), Gandi, Google Domains и другие проверенные провайдеры. Спор: некоторые пользователи (например, @harvey9) отмечают, что у крупных провайдеров иногда хорошая поддержка даже для бюджетных VPS, в то время как большинство комментариев описывают плохой сервис Namecheap.

Хорошие продукты несут в себе часть своих создателей — их опыт, заботы и взгляд на то, как всё должно работать. Даже не зная авторов, эту перспективу чувствуешь внутри продукта. В индустрии же принято говорить о софте так, будто он сходит с конвейера: собрал требования, построил функции, измерил результат — и получил хороший продукт. Теперь к этому добавляют автоматизацию всего процесса с помощью ИИ-агентов. Но две команды могут общаться с похожими клиентами, использовать одинаковые технологии — и создать совершенно разные вещи. Разница — в том, как они понимают увиденное, и в стиле, с которым строят.

В «Linear» всегда ценили интуицию выше процесса и данных. Это часто понимают как решения по личному вкусу, без размышлений. На деле интуиция растёт из опыта: работаешь, говоришь с клиентами, ошибаешься и учишься понимать, на что смотреть. Перед запуском команда общалась с людьми из разных компаний и ролей — и это помогло увидеть важное за пределами собственного опыта. Так у продукта появляется характер: через то, чему уделяют внимание, от чего отказываются и что продолжают дорабатывать, даже когда всё технически работает. Это и есть «душа» продукта.

Сегодня многие продукты кажутся автору статьи захламлёнными — в том числе у очень успешных компаний. Изменения в основном добавляют новое, а не улучшают суть, ведь добавить проще, чем переосмыслить. Отдельный человек с ИИ-агентами превращается в мини-фабрику: каждое изменение логично само по себе, но вместе они похожи на чудовище Франкенштейна. Без общей перспективы продукт становится усреднением выходов, а характер размывается. Делать софт проще — и хочется, чтобы это дало простор для развития собственного взгляда и глубокого понимания задачи. Хочется чувствовать за софтом создателя, а не фабрики.

Ценность программного продукта определяется решениями и взглядами его создателей, а не только кодом или архитектурой. Человеческая интуиция, опыт и вкус, которые AI пока не может заменить, формируют характер продукта и делают его эмпатичным и ощущаемым пользователем. Добавление функций без единой концепции приводит к фрагментации: продукт превращается в «мега‐продукт для всего», «лоскутное одеяло» или «монстра Франкенштейна», теряя целостность и длительную ценность. AI может писать код лучше, но не принимает стратегических решений о том, что строить и что не строить, не обладает ценностями, намерениями или вкусом. Автоматизированные подходы вроде A/B‐тестирования не заменяют человеческого суждения и часто приводят к размытому дизайну вместо целенаправленного. Главная ценность — в формировании общей визии и проверке, как каждый элемент помогает клиенту. В эпоху AI ключевым фактором остаётся личный опыт, интуиция и вкус создателей, особенно в больших организациях, где согласование взглядов сложно. «Великое программное обеспечение — это opinionated»: оно отражает мнения своих создателей, и это не меняется с появлением AI. Готово — не только технически завершённое, но и создающее длительную ценность для пользователя, на что AI в основном не ориентируется.