Hacker News Digest

Orion Browser by Kagi — это браузер на ядре WebKit, сочетающий молниеносную нативную скорость с полной приватностью: отсутствие телеметрии, встроенный блокировщик рекламы и анти‑трекинг. Он поддерживает расширения Safari, Chrome и Firefox, а кураторская подборка из 20 проверенных дополнений позволяет настроить интерфейс под любые задачи. Пользователи могут менять каждый элемент оформления и функций, получая уникальный опыт без компромиссов.

Orion доступен для iOS и iPadOS, macOS, Linux (в бета‑режиме) и скоро появится в Windows, уже используют его около 4 млн человек, которым он предлагает «мгновенную работу» и «минимальное потребление батареи». Встроенная интеграция с сервисами Kagi позволяет искать, переводить и просматривать контент без переключения контекста. Проект полностью финансируется подпиской Orion Plus или единовременной лицензией, что исключает рекламу и сторонние партнёрства. Браузер исключает сбор данных, не передаёт их в сторонние сервисы, а также использует небольшую часть памяти, что делает его идеальным для ноутбуков. Пользователи отмечают, что Orion «работает быстрее Safari и потребляет в два раза меньше ресурсов», что подтверждает его эффективность.

Отзывы об Orion Browser противоречивы: хвалят скорость и приватность (без телеметрии, встроенный блокировщик рекламы) как альтернативу Chrome и Firefox, но массово жалуются на баги, отсутствие синхронизации между Mac, iPhone и Linux, закрытый исходный код и проблемы с менеджерами паролей — встроенным, Bitwarden, iCloud Passwords. Часть пользователей считает браузер стабильным для повседневки, другие возвращаются к Safari или Firefox из-за сбоев, тормозов на старых устройствах и неполной поддержки WebExtensions (uBlock Origin, SponsorBlock, вход по ключам доступа). Не хватает и интеграции с Apple — Apple Pay, 2FA-автозаполнение, 1Password, — узкой панели вкладок, поддержки Linux на Snapdragon X Elite. Отдельные участники избегают продукта из-за связи Kagi с Yandex. Советуют не покупать пожизненный доступ и ждать открытия исходников и исправления багов, а Linux- и Windows-пользователям — стабильной версии.

Продав 2500 устройств Jamcorder, автор открыл для себя, что аппаратная часть — не так уж и сложна, как принято считать. Несмотря на ожидания, связанные с проблемами электроники, цепочек поставок и производства, всё прошло гладко: первые 500 устройств он собрал сам за четыре дня без ошибок, а платы состояли всего из 25 стандартных компонентов. Главная сложность оказалась в программном обеспечении — 200 тысяч строк кода, разработанных три года без помощи LLM.

Успех Jamcorder объясняется сознательной простотой: убраны USB-C, датчики света, кнопка питания, упрощён корпус и сборка (один винт). Автор подчёркивает, что аппаратные трудности — это следствие излишней сложности, а не неизбежность. При достаточной марже и разумном дизайне даже средний объём производства (2500 шт.) не требует масштабных ресурсов. Его 10 рекомендаций включают: минимизацию BOM, работу с китайскими поставщиками, сохранение маржи выше 70%, локальный финальный контроль и чёткие инструкции по сборке. Главный вывод: «аппаратная часть — настолько сложна, насколько вы её сделаете».

Из обсуждения

• @skippyfish: Hardware has a reputation for being hard for three reasons. First, it scales differently than software. It's far harder to design something you want to make a million of than something you want to make ten of. Second, it's harder to anticipate, test, and correct all the things that can go wrong on the user end. Some people will put batteries the wrong way, some will drop the device on the ground, some will connect it to some vintage equipment you have never seen in your life, etc. And third, there are just more failure modes in an unfamiliar domain - sometimes, your code will intermittently crash not because you have a software bug, but because you put the decoupling capacitor too far from the chip. Or, just as you finish your design, the chip you designed it around becomes obsolete, or impossible to find because a factory in Indonesia is on fire.Another complication is that at least in theory, if you're selling electronics, there are actual regulations and third-party testing that needs to happen, and if you fail emissions, you might have to redo your design from scratch. Imagine we had that for software - "your JS is too big, you can't ship until you get it under 50 kB".So, I'm happy for the author, but I think he had an outlier experience. When you look at Kickstarter stories, people repeatedly stumble over this. Manufacturing / cost difficulties, supplier issues, reliability issues, etc.
• @starky: >But for me the take away still is: “hardware is as hard as you make it”.I dislike this statement. Hardware is as hard as the product dictates it needs to be. A 25 component PCBA and a clamshell of 2 injection molded parts is about as simple of a product as you can make. Heck, most people would just buy an off the shelf clamshell for that type of product.That doesn't work for the vast majority of products, building a product with 20 COTS parts plus 60 custom tooled parts, and 4 complex PCBAs is what is hard. Getting everything to fit together, pass testing, arrive on time from dozens of suppliers, etc. it where the complexity comes in. Then consider that hardware is cash intensive, you need to pay ahead of time for all the tools, you need to pay to buy the individual parts and warehouse them somewhere while you build the products you hope are going to sell. If something goes wrong there, then your expensive parts are just sitting there waiting for replacement components before you can ship. Then even when you ship, that revenue goes into buying the next round of parts you are going to receive in 3 months. This is where many hardware projects fail as they run out of cash before the project breaks even.

Клауд Код версии 2.1.181 и новее использует русти‑порт Бан, о котором Джед Сэмнер объявил, что ускорил старт на Linux примерно на 10 %, но в остальном изменения незаметны — «Скучность хороша». При проверке собственного бинарника я обнаружил строку «Bun v1.4.0 (macOS arm64)», хотя официальная версия Бан на GitHub находится на 1.3.14, что указывает на предварительную поставку новой версии. Кроме того, поиск по шаблону «src/….rs» выдал 563 файл‑пути, среди них «src/runtime/bake/dev_server/mod.rs», «src/runtime/bake/production.rs», «src/bundler/bundle_v2.rs», что подтверждает наличие полностью русти‑реализации.

Таким образом, Бан, переписанный на Русте, уже работает в продакшене на миллионах устройств, и его использование остаётся в тени, как и планировалось. Цитата Джеда подчёркивает, что «скучность» — признак зрелого решения, которое не требует рекламных шумов. Эти детали подтверждают, что команда Бан переписала свой движок полностью на Русте, заменив прежний JavaScript‑вариант, и что такой подход уже применяется в реальном времени у миллионов пользователей, не вызывая заметных проблем. Именно поэтому такие изменения часто остаются незамеченными, но они формируют основу будущих улучшений.

Клауд Код использует Бан, написанный на Русте, что подтверждает @mrothroc и @aureate (не последняя версия), и ускорил старт на Linux на ~10%. Однако @gabrieledarrigo критикует подход Anthropic к переписыванию Бан как неадекватный, а @embedding-shape и @throwatdem12311 выражают обеспокоенность прозрачностью управления. @softwaredoug сомневается в выгодах от переписывания Бан на Русте, @rekttrader считает, что у Anthropic нет мотивации улучшать код. @weakfish и @harrisi недоумевают по поводу использования JavaScript для ТУИ, @GuB-42 предлагает переписать Клауд Код напрямую на Русте. Клауд Код стал более баги, сложным и нестабильным — это подтверждают @Aeveus, @codethief, @512colors, а @LAC-Tech и @jason_s опасаются стабильности и безопасности. @hmokiguess отмечает, что Клауд Код использует и другие технологии.

Qwen3.8 — модель с 2,4 триллиона параметров, которая постоянно совершенствуется и заявляет о себе как о одном из самых мощных ИИ‑моделей сегодня, уступающих лишь Fable 5. Её открытый вес скоро станет доступным, а уже сейчас можно протестировать Qwen3.8‑Max‑Preview через сервисы Alibaba Token Plan, Qoder и QoderWork. Модель позиционирует себя как совместимую с ведущими фронтирными системами, что делает её привлекательной как для исследователей, так и для разработчиков, желающих использовать передовые возможности без задержек. Благодаря непрерывному обучению, она адаптируется к новым задачам и демонстрирует стабильные результаты в различных тестовых задачах.

Тестировать модель можно сразу, без ожидания предварительного доступа: достаточно перейти по ссылкам на цены — международный Token Plan по адресу qwencloud.com/pricing/token‑… и китайский platform.qianwenai.com/pricing/token‑…. В тарифах указаны стоимости токенов, что позволяет подобрать подходящий ресурсный пакет и оценить производительность в реальном времени. Платформа Token Plan предлагает гибкую систему расчётов, а Qoder и QoderWork предоставляют интегрированные среды для быстрой отладки и развертывания. Таким образом, уже сегодня можно начать экспериментировать с Qwen3.8‑Max‑Preview и подготовить проекты, использующие её возможности. Это открывает путь для разработчиков и исследователей, ищущих новые способы применения ИИ.

Qwen 3.8 воспринимается как реакция на конкурентное давление со стороны Moonshot AI и Kimi K3, но пользователи сомневаются в его практической ценности: он не имеет открытых весов, доступен только через платные подписки, а его предшественник Qwen 3.7 Pro признан непригодным из-за бесконечных циклов, слабой отладки, высокой стоимости и избыточной verbose-ответов. DeepSeek V4 Pro превосходит его по скорости, цене, надёжности и меньшей цензуре. Qwen считается «benchmark princess» — сильным на тестах, но слабым в реальных задачах, в то время как Kimi K3 и Opus 4.5 воспринимаются как более практичные альтернативы. Qwen 3.6 27B в квантованных версиях (включая Q2KP) остаётся предпочтительной локальной моделью — эффективно работает на 24GB GPU и используется вместо крупных версий. Пользователи советуют ждать мелких квантованных версий Qwen 3.8 (A3B, 27B) и искать «code instruct» версии 7B/14B для разработки, а не переходить на 3.7/3.8. Отсутствие открытых весов у Qwen 3.7 и 3.8 вызывает недоверие к прозрачности Alibaba и подозрения в дистилляции или ухудшении качества. Неясна политика конфиденциальности Alibaba Token Plan — сохраняются ли данные для обучения. Многие считают гонку за параметрами (2.4T) маркетинговой уловкой: для большинства задач достаточно моделей уровня Opus 4.5. Kimi K3 с 2.8T параметров и открытыми весами воспринимается как более привлекательный для сообщества вариант.

transcribe.cpp — это библиотека для локального распознавания речи на основе ggml, поддерживающая более 60 моделей из 16 семейств, включая современные ASR-архитектуры. Каждая модель численно проверена на соответствие эталонным реализациям и протестирована на WER (Word Error Rate), что гарантирует точность, сопоставимую с оригинальными версиями. Библиотека ускоряется через Vulkan, Metal, CUDA и TinyBLAS, работая на Mac, Windows и Linux без зависимости от PyTorch или ONNX, что решает проблему кросс-платформенной доставки приложений.

Автор, создатель Handy, разработал проект, чтобы избежать фрагментации в экосистеме локального инференса — где существующие решения либо медленны, либо ненадёжны. transcribe.cpp предлагает drop-in замену whisper.cpp с поддержкой стриминга и пакетной обработки, а также официальные обёртки для Python, JavaScript, Rust и Swift. Проект поддерживается сообществом ggml и получил помощь от Mozilla AI, Modal, Blacksmith и Hugging Face — особенно для тестирования на CUDA и хранения моделей. Автор подчёркивает: код написан вручную, без помощи ИИ, но благодаря открытому софту и поддержке сообщества смог появиться за несколько месяцев.

transcribe.cpp решает реальные задачи локального распознавания речи: обеспечивает точность, поддержку 60+ моделей, низкую задержку и кроссплатформенность, превосходя Whisper по гибкости и точности, что подтверждается пользователями. Локальное распознавание предпочтительнее облачных решений из-за приватности, надёжности и отсутствия подписок. Не поддерживается: IPA-транскрипция без привязки к языку; непрерывная транскрипция с вводом в курсор; транскрипция аудиовыхода (в т.ч. на Windows); фильтрация междометий (um, uh, err); boosting специальных слов; WebAssembly-сборка для браузеров; встроенная диаризация и speaker identification; forced alignment для субтитров (например, для Qwen3); корректная работа горячих клавиш на Wayland (Handy). Для диалектов (например, баварский немецкий) эффективность моделей неизвестна — требуется тестирование. Для диаризации рекомендуется pyannote/speaker-diarization-community (лучше Sortformer). На мобильных устройствах встроенные функции (например, у Samsung) неточны — ищутся локальные альтернативы для языкового обучения. Vulkan, Metal и CUDA обеспечивают более высокую производительность, чем ONNX.

OpenAI Codex пользователям периодически сбрасывают лимиты использования — без графика, без анонсов, только через твиты @thsottiaux. За последние 26 недель было 35 таких сбросов, в среднем каждые 8,9 дня. Самый долгий перерыв между сбросами — 67,7 дня. Сбросы происходят по разным причинам: достижение 5–9 млн активных пользователей, перегрузка инфраструктуры, технические сбои, задержки или даже просто чтобы «поблагодарить» пользователей. Иногда сбросы сопровождаются добавлением «банковского» резерва — дополнительного лимита, который можно активировать вручную. В одном случае сброс был связан с ошибкой, из-за которой лимиты расходовались быстрее нормы; в другом — с выходом из оффлайна после глобального сбоя. Пользователи получают сбросы не только за достижения, но и как компенсацию за нестабильность — OpenAI явно предпочитает щедрость, чем сложные системы учёта.

Сбросы стали неотъемлемой частью опыта работы с Codex: пользователи привыкли ждать твита, как знака, что можно снова писать код без ограничений. В одном из твитов упоминается, что «легче дать бесплатный доступ, чем заниматься бэкфиллингом». Несмотря на хаотичность, эти сбросы — не просто жест доброй воли, а стратегия управления спросом на мощности ИИ в условиях стремительного роста: 9 млн пользователей за несколько недель, рост трафика «быстрее, чем когда-либо», постоянное добавление GPU. Система работает на грани, и сбросы — это способ смягчить напряжение, не перегружая инфраструктуру.

Пользователи отмечают частые сбросы лимитов, из-за чего перестают рационировать использование сервиса. Это вызывает споры: одни считают, что OpenAI так привлекает и удерживает пользователей, другие — что это часть стратегии завоевания рынка. Предупреждают, что привычка к высокому уровню использования может оказаться неустойчивой при смене политики. Сравнивают с Anthropic, отмечая, что частые сбросы — особенность именно OpenAI. Некоторые считают, что ресурсы лучше тратить на улучшение сервисов, а не на сбросы.

Мэр Мамдани запретил арендодателям использовать генеративный ИИ для создания фальшивых изображений жилья в рекламе, если они не указаны как сгенерированные. Цель — предотвратить обман потенциальных арендаторов, которые сталкиваются с идеализированными, но несуществующими интерьерами или внешним видом зданий. Закон требует чёткой маркировки AI-изображений, и нарушители рискуют штрафами и отзывом лицензий.

В городе уже зафиксированы случаи, когда арендаторы приезжали на просмотр, а реальная квартира отличалась от рекламы: вместо современного кухонного острова — потрёпанная мебель, вместо панорамных окон — закрытые жалюзи. По оценкам, до 30% онлайн-объявлений о сдаче жилья используют ИИ-визуализации без указания источника. Запрет вводится как часть инициативы по прозрачности цифровой рекламы, аналогичной законам о фотомонтаже в недвижимости.

Пользователи поддерживают требование прозрачности при использовании ИИ-изображений в рекламе жилья, считая их обманчивыми без пометок. Однако сомневаются в эффективности решения мэра Мамдани: арендодатели могут ограничиться минимальной пометкой, не устраняя обман. Предлагается компромисс — обязательное сочетание ИИ-изображения с оригинальной фотографией. Некоторые считают, что существующие законы о защите потребителей достаточны, но плохо реализуются. Также высказывается опасение, что решение мэра может нарушать Перую поправку.

Kimi K3 — открытая модель от китайской лаборатории — демонстрирует качество, сопоставимое с Claude Opus, при этом используя столько же токенов и не уступая в точности. При этом её тарифы в пять-десять раз ниже: $3 за миллион входящих токенов против $10 у Claude, а подписка за $39 предлагает значительно больше возможностей, чем самые дорогие планы Anthropic. Критично, что Claude скрывает доступ к своему лучшему модели под видом более дешёвых тарифов — при высокой нагрузке система автоматически снижает качество, что делает цену иллюзорной.

Открытость и отсутствие политических ограничений дают китайским моделям — Kimi K3 и GLM 5.2 — решающее преимущество: они решают задачи, которые американские модели отказываются выполнять из-за цензурных ограничений. Semgrep показал, что GLM 5.2 превосходит Claude в кибербезопасности, просто выполняя работу, которую Opus отклоняет. США, пытаясь «защитить» свои модели, создают изолированный рынок, где местные продукты уступают по качеству и цене. Это повторяет ошибку автопрома: субсидии и протекционизм приведут к тому, что американцы будут платить больше за худшие модели, лишённые глобальной конкурентоспособности.

Обсуждение дополняет статью, подтверждая, что Kimi K3 демонстрирует сопоставимое с Claude Opus качество на реальных задачах, но с существенными ограничениями по цене, контексту и политике конфиденциальности, а также выявляет разрыв между маркетингом и реальной доступностью модели.

• Совет: Kimi K3 требует платного плана от $79/месяц для доступа к 1M контексту, а минимальный план $15/месяц вообще не поддерживает K3 — это критично для пользователей, ожидающих доступ к полной версии.

• Спор: Некоторые пользователи утверждают, что Kimi K3 не уступает Claude Opus в качестве вывода на кодинг-задачах, в то время как другие отмечают, что он значительно медленнее и исчерпывает лимиты использования за несколько минут, что делает его непрактичным для ежедневной работы.

• Спор: Одни считают, что Kimi K3 — это прорыв по цене и качеству, другие указывают, что его тарифы в США не намного ниже Claude ($3/$15 против $5/$25), а китайские цены в 9 раз дешевле — но недоступны для большинства пользователей за пределами Китая.

• Совет: Kimi K3 не является открытой моделью: веса не выпущены, и доступ к ним ожидается только через неделю, а условия использования запрещают коммерческое применение и автоматически включают обучение на пользовательских данных.

• Совет: Для локального запуска Kimi K3 требуется более $300 тыс. оборудования, что делает его недоступным для индивидуальных разработчиков, несмотря на заявления об 'открытости'.

• Совет: Пользователи отмечают, что Kimi K3 часто переоценивает задачи, особенно простые, в отличие от OpenAI моделей, которые демонстрируют лучшую эффективность и точность в реальных сценариях.

• Многие согласны, что модель достигла уровня Claude Opus, но это не прорыв, а естественная конвергенция: конкуренты просто уменьшают маржу, а не создают принципиально новую архитектуру.

• Совет: Политика конфиденциальности Kimi требует согласия на обучение модели на пользовательских диалогах, если используется подписка — это неприемлемо для корпоративных и конфиденциальных задач.

• Спор: Один пользователь утверждает, что Kimi K3 хуже Fable и 5.6 Sol, а другой — что не может отличить его от Claude Opus, что указывает на субъективность оценки и зависимость от задачи и настройки.

• Совет: Пользователи с опытом в продакшене отмечают, что открытые модели пока не проверены на критически важных задачах — их надежность в реальных рабочих нагрузках остается под вопросом.

• Китайские модели выигрывают за счет субсидируемой разметки данных и низких операционных затрат, что позволяет им предлагать более низкие цены, чем западные конкуренты, несмотря на схожие параметры.

• Совет: Ограничения на использование Kimi K3 (например, запрет на коммерческое применение) делают его непригодным для бизнес-сценариев, несмотря на привлекательную цену.

• Пользователи сходятся во мнении, что западные регуляторы и компании создают FUD против китайских моделей, чтобы сохранить контроль, но это ускоряет их глобальное распространение через обходные пути.

• Совет: Сравнение производительности Kimi K3 и Claude должно учитывать не только токены, но и время выполнения, лимиты сессий и качество вывода — иначе выводы о 'равенстве' вводят в заблуждение.

• Даже если Kimi K3 не является открытым, его существование демонстрирует, что открытые модели уже достигли уровня коммерческих — и следующий барьер — это не алгоритмы, а доступ к вычислительным ресурсам.

Чтобы дать Claude Code полный контроль, создайте отдельный Mac‑компьютер, полностью изолированный от вашего основного устройства. На целевом Mac удалите все данные, создайте новый локальный аккаунт без Apple‑ID и обновите систему. Установите последнюю версию Claude Code и настройте SSH‑доступ. Защитите машину с помощью Tailscale: ssh <user>@<target> 'brew install tailscale' … 'sudo tailscale up --operator=<user>'. Это обеспечивает безопасный туннель, позволяющий управлять машиной из любой сети, даже через телефон. Благодаря чистому профилю агент может безопасно выполнять исследования и разработку, а также запускать приложения, недоступные в контейнере, такие как Unity.

С такой настройкой вы получаете помощник, к которому можно обращаться из‑под мобильного приложения Claude или через SSH с любого устройства. Это устраняет риск, связанный с флагом --dangerously-skip-permissions, потому что все действия происходят на машине без личных данных. Вы сохраняете основной компьютер свободным, а Claude Code может пользоваться вашей подпиской и набором macOS‑утилит, включая тесты UI и перетаскивание. Как отмечает автор, «Claude Code часто более способен», чем обычный мобильный клиент. Таким образом вы можете выполнять задачи в фоне, не опасаясь утечки конфиденциальных файлов и сохранять чистый рабочий профиль.

Изоляция Claude Code на отдельном Mac — необходимость для безопасности, особенно при работе с чувствительными системами. Альтернативы в виде VM и контейнеров ограничены: Dispatch/Cowork не работают с PDF и файлами из-за прав доступа, а UTM-VM на Mac из-за отсутствия аппаратного ускорения графики не проходит CAPTCHA и имеет низкую интерактивность. Оптимально использовать отдельный Mac с локальным аккаунтом без Apple ID. Для удалённого управления — Tailscale для SSH. Для задач с GUI (например, тестирование в Chrome) — libvirt-VM с полным root-доступом, позволяющая быстро восстанавливать состояние. Установка на старый M1/M2 MacBook экономически выгоднее, чем на Mac Mini. На мощной headless-машине (например, Framework Desktop) с M1 MacBook как основным устройством — эффективное распределение ресурсов. Для управления с телефона — Terminus + WireGuard + tmux. Для ограничения финансового риска — выделить Claude отдельный бюджет ($2–5k) на API, не связанный с личными финансами. Подписка за $200 (эквивалент $13–15k API-использования) экономически обоснована для активных пользователей. Ключевое применение — автоматизация workflow: анализ логов, создание и ревью issues/PR, деплой. Также востребован мониторинг длительных data science-задач (запуск скриптов, уведомления). Споры: — Выделение Mac избыточно? Нет — Mac-специфичные инструменты (например, для iOS-разработки) требуют macOS. — sudo-доступ рискован? Да, но худшее — компрометация машины через инъекцию, что допустимо при изоляции. — Автоматизация рутинных задач (например, резюмирование почты) — излишняя? Нет — освобождает когнитивные ресурсы для сложных задач.

Gleam — дружелюбный язык для построения типобезопасных масштабируемых систем, размещённый в tangled.org/gleam.run; репозиторий набрал 43 звёзд и не имеет форков, а в его ленте активности включены Issues, Pull Requests, Commits и Tags. Состав кода выглядит так: Rust ≈ 92,9 %, JavaScript ≈ 3,6 %, Gleam ≈ 1,8 % и небольшие доли остальных языков. На текущий момент ветка main обновлена недели назад, а последний коммит добавил уточнение подсказки компилятора для единственного сценария, а в дереве проекта находятся папки compiler‑cli, compiler‑core, containers и benchmark. Клонировать репозиторий можно по HTTPS, SSH или через архивные файлы tar.gz и zip.

Проект не принадлежит корпорации, его развитие финансируют спонсоры, и за поддержку предлагается спонсировать проект или участников ядра; за помощь благодарят сообщество, а в README изображён маскот Lucy. Ссылки на релиз, Discord‑чат и блог позволяют быстро ознакомиться с документацией, а статистика показывает высокую долю Rust‑кода, свидетельствующую о тесном взаимодействии с экосистемой Erlang‑виртуалки. Таким образом, Gleam сочетает чистый синтаксис, строгую типизацию и широкую поддержку, делая его привлекательным для надёжных распределённых систем.

Tangled — нестабильная, ранняя альтернатива GitHub с серьёзными недостатками: сложная и ненадёжная регистрация (требует ATProto-аккаунта, несовместима с менеджерами паролей, часто не завершается), отсутствие ключевых функций (приватные репозитории, защищённые ветки), частые 404 при создании репозиториев, проблемы с синхронизацией при самостоятельном хостинге Knot (требует сложной настройки IPv4 NAT и DNS), что противоречит декларируемой децентрализации. Несмотря на привлекательный интерфейс, она уступает Codeberg, Gitea и Forgejo по зрелости, функциональности и надёжности. Платформа не заменяет GitHub — проекты остаются там, Tangled лишь экспериментально дополняет их через ATProto. Критики считают ATProto повторением ошибок Twitter: инновация без практической ценности для масс, ухудшающая UX. Аутентификация через BlueSky работает плавно для пользователей экосистемы, но не для остальных. CI-движки (Nixery, microvm) и поддержка кастомных раннеров (Tack) дают гибкость, но документация неполна и содержит битые ссылки. Отсутствие информации о команде, финансировании и юридической структуре вызывает недоверие. Рекомендуется Radicle как более зрелая и функциональная альтернатива с самодеятельным хостингом и социальными возможностями.