Hacker News Digest

Swiftlet — это рантайм на Swift + Metal, позволяющий запускать гибридные модели Qwen3‑Next и Qwen3.5/3.6 MoE на обычных iOS‑устройствах. Вместо того, чтобы держать весь параметр в памяти, в RAM остаётся лишь небольшая плотная «ядровая» часть, а остальные эксперты потоково читаются из хранилища, что делает возможным работу 35‑B и даже 80‑B моделей на iPhone 17 (примерно 2,5 ГБ RAM, 1 токен/сек).

Ключевые приёмы: чтение экспертов через pread в ограниченный пул слотов, выгрузка по LFU + recency, фиксированный stride‑пакетный ввод‑вывод и мгновенная компиляция шейдеров. Архитектурно проект поддерживает альтернативные схемы внимания (Gated DeltaNet, gated GQA), int4/int8‑квантование в Metal и полную систему установки, кэширования и обработки разговоров. В результате на Mac‑е 35‑B модель потребляет лишь 2,6 ГБ RAM и генерирует 7‑11 токен/сек, а 80‑B — 4,3 ГБ и 4,5‑5 токен/сек.

Тред обсуждает запуск крупных моделей на устройствах с ограниченными ресурсами — iPhone и Mac. По опыту @leonickson, на Mac с 32 ГБ RAM увеличение кэша до 8 ГБ не ускоряет работу — узкое место — GPU, а не RAM. @adrianco советует увеличивать RAM-кэш на устройствах с 24–32 ГБ RAM — это может значительно ускорить работу. @dghlsakjg видит в этом прогресс и предполагает будущее запуска моделей на дешёвом оборудовании, например, SSD за $200. @jarek83 и @arjie спорят о реалистичности запуска 1T-параметровых моделей на таком оборудовании, указывая на ограничения и стоимость. @throwawayffffas и @leonickson обсуждают износ SSD при использовании для моделей; @throwawayffffas отмечает, что у него SSD работает долго без проблем.

OpenAI представил десять прорывных результатов в математике и теоретической информатике, полученных с помощью внутренней версии модели Astra. Среди них — новые верхние оценки плотности упаковки сфер в высоких размерностях, достигнутые вплоть до порога Коэна–Элкиса, и экспоненциально улучшенные границы для максимального размера двоичных кодов при заданном минимальном расстоянии. Также решены задачи в теории кодирования, сложности арифметических схем, квантовой сложности и решёточной криптографии. Все доказательства были формализованы в системе Lean и сопровождаются пошаговыми объяснениями модели.

Общая стоимость вычислений для нахождения решений составила около $2000 по тарифам Sol API. Каждое решение сопровождается аудио-навигацией мышления модели и человеческой редактурой. Это первый масштабный пример, когда ИИ не просто помогает, а самостоятельно открывает новые математические истины, которые затем формализуются и проверяются. Результаты опубликованы в открытом доступе вместе с Lean-сертификатами, что позволяет сообществу воспроизводить и развивать их. Такой подход меняет роль ИИ с инструмента поддержки на соавтора научных открытий.

Скептическая оценка маркетинга OpenAI: результаты — не фундаментальный прорыв, а эффективный перебор известных методов без новой математики. AI не обладает интуицией, не формулирует гипотезы, но превосходит людей в рутинном вычислительном переборе, превращая доказательства в вычислительные задачи. Стоимость $2000 вводит в заблуждение: скрытый масштаб экспериментов (p-value hacking) и низкая загрузка мощностей искажают реальную цену. Отсутствует прозрачность: неизвестно число попыток, объяснения содержат логические скачки, затрудняющие проверку. Lean-доказательства достигают 50k строк, но стиль изложения слаб. Настоящий прорыв наступит, когда AI создаст новую ветвь математики — пока лишь усиливает внимание к существующим областям. Ускорение решения задачи ближайшего вектора угрожает криптографии, что уже учитывается переходом на гибридные схемы. Практического применения в медицине или материаловедении пока нет. Тревога по поводу разрушения академической системы: если AI решит задачи, лежащие в основе научных карьер, это подорвёт финансирование и престиж. Ирония: заявление OpenAI о «ответственности за корректность» доказательств сравнивают с добровольным статусом козла отпущения.

Современные ИИ-агенты позволяют инженерам легко адаптировать любые инструменты под свои нужды, устраняя необходимость писать собственное ПО. Достаточно загрузить исходный код, настроить автоматическое обновление через ночную задачу и редактировать его через простые инструкции — без программирования. Например, в проекте Shelley пользователь может написать «сделать интерфейс с высокой контрастностью», и агент сам изменит код, сохранив изменения в контроле версий. Это меняет подход к кастомизации: теперь персонализация доступна даже неспециалистам, а обновления синхронизируются с оригинальными релизами без потерь.

Такие возможности делают устаревшими привычные системы настройки — от кастомных менеджеров задач до CMS. Вместо того чтобы учиться работать с «коробочным» софтом, команды собирают нужные функции из модулей, экономя время и ресурсы. Однако открытые агенты, как Pi или Shelley, могут быть полностью адаптированы под любые задачи, тогда как закрытые решения, например Claude Code, остаются неизменными. Это подчеркивает важный тренд: будущее ИИ-инструментов зависит от открытости кода, чтобы пользователи могли не просто использовать, но и формировать технологии под свои цели. (168 слов)

Многие разработчики считают открытый исходный код важным для доверия и прозрачности, но признают, что он не всегда необходим, практично или обеспечивает надёжную поддержку и обновление, особенно с ростом ИИ-агентов, меняющих код. Важнее — возможность настройки и расширения инструментов через плагины и конфигурационные файлы. Следует учитывать риски поддержки, не полагаясь исключительно на открытый код.

В 2026 году ветровая и солнечная генерация впервые обогнала уголь и газ в энергобалансе Германии, составив более 55 % всех произведенных киловатт‑часов. Это стало возможным благодаря рекордному набору новых ветропарков в Северном море и масштабным субсидиям на солнечные крыши, которые привлекли инвестиции в размере €12 млрд за последний год.

Эксперты отмечают, что переход к чистой энергии ускорит сокращение выбросов CO₂ на 30 % к 2030 году, а также снизит зависимость страны от импортного газа. “Мы видим, как быстро меняется энергетический ландшафт — теперь Германия может экспортировать избыток «зеленой» электроэнергии в соседние страны”, — подчеркивают в отраслевом аналитике.

Обсуждение дополняет статью, подчеркивая, что успех Германии в энергетике ограничен рамками электрогенерации, игнорирует глобальный контекст и сталкивается с критикой по поводу надежности возобновляемых источников и экономических последствий для промышленности.

• Совет: Батареи с правильными инвертерами полностью решают проблему отсутствия инерции в солнечных и ветровых системах, обеспечивая достаточное время для запуска резервных тепловых электростанций.

• Совет: Сетевые инвертеры с формированием инерции и рынки инерции делают решение проблемы стабильности сети технически простым — ключевым остается накопление энергии.

• Спор: Некоторые отмечают, что Германия импортирует значительное количество электроэнергии (включая ядерную из Франции), поэтому достижение превосходства ВИЭ в собственной генерации не означает полного отказа от ископаемого топлива.

• Спор: Сравнение только электрогенерации вводит в заблуждение — если учитывать весь энергобаланс, включая транспорт и промышленность, прогресс в Германии выглядит менее впечатляюще.

• Спор: Германия сократила ядерную генерацию, что ухудшило её углеродный след — Франция, сохранившая АЭС, демонстрирует более низкие выбросы при аналогичном уровне потребления.

• Совет: Хранение тепла в песке и кирпичах — перспективная альтернатива электрическим батареям, позволяющая напрямую использовать тепло для промышленных процессов и отопления.

• Совет: Солнечные фермы, напрямую подключенные к тепловым накопителям, уже снижают затраты на энергоснабжение для промышленных предприятий, например, в компаниях по розливу минеральной воды.

• Спор: Даже если Германия полностью обнулит свои выбросы, её вклад в глобальные выбросы CO2 — всего 1,5%, поэтому локальные успехи не решают климатическую проблему в масштабе планеты.

• Спор: Экономика Германии стагнирует: промышленность сокращает производство, закрываются заводы, растут жалобы на цены на энергию и разрушение инфраструктуры — это цена перехода на ВИЭ.

• Совет: Сравнение по странам показывает, что США и Китай используют в 4–8 раз больше ископаемого топлива, чем вся Германия — локальные успехи не отражают глобального бездействия.

• Совет: Возобновляемая энергия даёт конкурентное преимущество в производстве и ИИ — это объясняет враждебность США к её развитию, несмотря на риторику о «мошенничестве».

• Спор: Проблема ВИЭ — не в их эффективности, а в надежности на протяжении нескольких дней без солнца и ветра — это требует дорогостоящих систем хранения и передачи.

• Спор: Консервативная оппозиция ВИЭ в США — не идеологическая, а результат лоббирования энергокомпаний и племенной политики, а не принципиального противостояния традиционным ценностям.

• Спор: Сравнение выбросов CO2 от гамбургера и автомобиля вводит в заблуждение — основной вклад мяса — это метан, а не CO2, и его эквивалентность не всегда корректно интерпретируется.

• Совет: Потребление сыра в плане выбросов хуже, чем курицы — переход на вегетарианство без отказа от молочных продуктов не даст значительного климатического эффекта.

Batteries paired with the right inverters solve this fully. Buys you enough time for powering up backup power in the form of a good old steam turbine (gas or coal powered). No need to keep spinning if they aren't needed.The good news is that batteries are deployed at almost the same scale as solar… — @jillesvangurp

В последние дни появилось несколько «критических» CVE в SQLite, опубликованных в репозитории, где почти все они оказались выдуманными. Проверка показала, что в них ссылаются на несуществующие функции, указаны неверные номера строк и даже содержат противоречивые метаданные — типичный признак LLM‑slop. Одна из записей (CVE‑2026‑51302) получила первоначально оценку 9.8, но позже её CVSS‑балл был снижен до 7.6, а официальная страница SQLite с advisories её вовсе не упоминает.

Проверка проводилась в трёх шагах: сравнение кода в официальных версиях 3.41.0, 3.51.2 и 3.51.3 с описанием уязвимостей; сборка этих релизов в изолированных Docker‑контейнерах; запуск PoC‑SQL‑запросов под AddressSanitizer. Во всех случаях уязвимости не воспроизводились, а функции, на которые ссылались в advisories, либо отсутствовали, либо находились в других версиях. Эти случаи подчёркивают риск автоматического доверия к новым CVE, особенно когда они генерируются ИИ и быстро заполняют базы данных, создавая лишний шум для команд по управлению уязвимостями.

Тред обсуждает риски автоматического обнаружения уязвимостей с помощью LLM: высокий уровень ложных срабатываний и шума. Участники подчеркивают необходимость ручной верификации всех обнаруженных уязвимостей и критическую роль опытных специалистов в их оценке. Некоторые считают, что проблема — не в LLM, а в системе CVE, позволяющей публиковать уязвимости без должной проверки, что открывает возможность для злоумышленников намеренно загружать систему ложными данными и снижать её эффективность. Организациям рекомендуется не полагаться на автоматизированные системы без ручной проверки.

Я перестал верить надписям на кабелях USB-C и стал проверять их с помощью $15‑метра. Большинство кабелей выглядят одинаково, но на деле сильно различаются: одни способны передавать данные со скоростью до 40 Гбит/с, другие — лишь 480 Мбит/с, а мощность зарядки тоже сильно разнится. Ключевой элемент — e‑marker‑чип, который сообщает устройству, какие возможности действительно поддерживает кабель; без него даже «мощный» кабель не сможет заряжать более 60 Вт.

Чтобы понять, что за что отвечает, я купил простой тестер — он показывает напряжение, ток и мощность в реальном времени, а более дорогие модели читают данные из e‑marker‑чипа. Теперь я тестирую каждый кабель, фиксирую результаты и наклеиваю на них ярлыки, чтобы сразу знать, какой кабель подходит для ноутбука, а какой — для наушников. В итоге я перестал гадать и начал проверять, а пока индустрия не решит добавить к кабелям собственные метки или цветовую маркировку, мой набор «тестер + ярлыки» остаётся лучшим решением.

Кабели USB-C различаются по скорости передачи данных и мощности зарядки, что требует тестирования и чёткой маркировки для обеспечения совместимости и безопасности. Некоторые считают, что все кабели должны соответствовать единому стандарту, другие — что это невозможно из-за разнообразия применений. Для проверки можно использовать инструменты вроде WhatCable; рекомендуется тестировать кабели перед использованием, особенно для высокоскоростной передачи данных или зарядки. Некоторые производители, например LTT, уже начали маркировать кабели соответствующим образом. Споры остаются вокруг сложности и стоимости тестирования, но его необходимость для безопасности и совместимости не оспаривается.

Автор критикует привычку relayить ответы ИИ как «мясной прокси» — просто копировать и вставлять их в Slack, PR или чаты. Такой подход не добавляет ценности: текст часто перегружен жаргоном, содержит выдуманные детали и требует дополнительного разбора. Примером стал абсурдный отрывок про «NATS control-plane events», где каждое слово требовало поиска.

Главная идея: использовать ИИ как инструмент, а не как замену размышлению. Нужно самому понять материал, проверить его и оформить ответ своими словами. Особенно это критично в code review: копируя тикет в Claude Code, можно быстро получить черновик, но окончательную реализацию и проверку должен выполнить человек. Иначе вы превращаетесь в «мясной прокси», а ценность вашего участия исчезает. Запомните: AI — помощник, а не замена вашего мышления.

Многие участники считают использование AI как «мясного прокси» — копирования ответов без понимания и проверки — плохой практикой, ведущей к потере ответственности и критического мышления. Хотя некоторые допускают его полезность для быстрого поиска информации, все согласны: важно проверять данные от AI, не полагаться на него при принятии решений и использовать как инструмент для развития собственных знаний, а не как замену человеческому мышлению.

Qwen3.8-Max — новый флагман серии Qwen, впервые открывающий веса модели уровня Max (2,4 трлн параметров, из которых 95 млрд активно используются). Основное новшество — способность самостоятельно реализовывать сложные, длительные задачи: от создания полноценного CLI‑утилита с автогенерируемым механизмом обратной связи до многократного улучшения собственного тест‑пакета без вмешательства человека. В тестах модель прошла 10‑дневный автономный цикл, где её агент формировал задачи в GitHub Issues, выбирал их, писал код, запускал CI, сливал PR и даже улучшал процесс тестирования на основе результатов. Такой «loop‑engineering» позволяет модели не просто выполнять сценарии, а адаптировать их под текущие ограничения, что делает её результаты более надёжными и воспроизводимыми.

Ключевые цифры: 2,4 трлн параметров, 95 млрд активных, 10+ дней непрерывного кодинга без человеческого контроля, публичный репозиторий [qwen-code-dev-bot/oh‑my‑cli] с полной историей изменений. Открытие весов запланировано на следующую неделю, что откроет доступ к этим возможностям шире.

Qwen3.8-27B может быть более эффективным, чем Qwen3.6-27B и Qwen3.5, а также чем KimiK3-Thinking. Qwen3.8-Max показывает лучшие результаты в визуальном веб-разработке и перцепшенбенче, имеет 2,4 трлн параметров и может быть слишком большим или сложным для использования на домашних компьютерах. Qwen3.6-35B-A3B подходит для задач Python и баз данных. Некоторые считают, что Qwen3.6 модели эффективны для домашнего использования. Qwen3.8-Max может иметь более низкую стоимость, чем Deepseek. Alibaba Cloud может создавать излишние барьеры для домашнего использования. Если LLM не может запоминать и учиться, его легко заменить — это означает, что AI-компании не обладают монопольным положением на рынке.

LLM превратил первый абзац «Властелина колец» в 5500 строк кода, который за два часа создал три интерактивные 3D-сцены с анимированными персонажами и пейзажами. Главное — он сам определил, какие объекты разместить в трёхмерном пространстве, написал логику анимации и даже добавил звуковые эффекты, хотя запрос был крайне абстрактным.

Ключевой факт: за 1 млн токенов (примерно $10) модель смогла «написать» полностью автономный движок, способный визуализировать классическую литературу. Это демонстрирует, что LLM могут стать «бесконечными разработчиками» — они не устают, не требуют зарплаты и готовы экспериментировать с тем, что человеку пришлось бы писать месяцами. Однако их слабость проявляется в невозможности быстро проверять результат: модель вынуждена делать скриншоты, а затем вручную исправлять ошибки, что приводит к «жужжанию» кода. Таким образом, текущий уровень мультимодальности остаётся ограниченным, но уже позволяет создавать эпические, кастомизированные миры «на лету».

Тред обсуждает ограничения и применение LLM для генерации 3D-сцен. Пользователи отмечают, что сгенерированные сцены требуют доработки, но видят в LLM потенциал. Споры: @kooi считает проблемой медленную обработку визуальной информации, @YmiYugy — низкое качество контента; @djhworld критикует выбор «Властелина колец» как избыточно известного источника, @hooloovoo_zoo — считает его удачным. Предложения: @baron816 — использовать LLM для оптимизации производственных процессов, @fzeindl — предупреждает о риске «одноразового» ПО, @sinaatalay — генерировать код для 3D-графики, @hkalbasi — применять игровые движки и агенты.

Go 1.27 вводит возможность объявлять типы параметров в методах, что позволяет размещать обобщённые операции непосредственно внутри типов, а не только как функции верхнего уровня. Например, метод Map[U any](f func(T) U) можно добавить к структуре Box[T], позволяя преобразовывать элементы одного типа в другой через цепочку вызовов Map. Это упрощает код и делает его более интуитивным, но интерфейсы по-прежнему не поддерживают обобщённые методы.

Новые возможности включают более гибкую работу со структурами: в литералах теперь можно использовать любые селекторы полей, включая те, что наследуются от встроенных структур, что удобно для работы с промотированными полями. Также добавлены улучшения в обработке ошибок, производительности (специализированные аллокации и экспериментальный simd), а также обновления в криптографии и удобстве разработки, такие как стандартный пакет uuid и выпуск json/v2. Эти изменения делают Go 1.27 значимым шагом в развитии экосистемы, особенно для тех, кто активно использует обобщения и структурированные данные.

В обсуждении введения generics в Go 1.27 участники расходятся: одни считают, что они упрощают и делают код более интуитивным, другие — что усложняют и снижают читаемость. Некоторые видят в этом естественное развитие языка, другие — его сближение с Java или C++. По опыту @fauigerzigerk, generics полезны, но требуют осторожного применения.