Hacker News Digest

В «Парке Юрского периода» первый компьютер — Apple Powerbook 100, стоящий в мобильном трейлере Алана Гранта и Элли Сатлер. Он оснащён процессором Motorola 68000 16 МГц, 2–8 МБ ОЗУ, 9‑дюймовым монохромным LCD‑дисплеем 640×400 и системой System 7.0.1. На столе Недрі — хаотичный набор: три Mac, одна SGI, ПДА, три монитора и накопители, что подчёркивает его роль как технаря‑саботажника. Цитата из книги «The Making Of Jurassic Park» подчёркивает, что всё оборудование было реальное, а не имитация.

Рабочий стол Рэй Арнольда выглядит опрятно: Mac, SGI R4000 Indigo, видеостенд, два монитора и хранилища; за ним видна огромная панель и сверхкомпьютер с мерцающими красными лампами. По данным книги, на создание сетов ушли $875 000 от Apple, $350 000 от SGI и ещё $500 000 техники и программного обеспечения, что в 2026 году эквивалентно около $4 млн. Это подтверждает, что все компьютеры на экране — настоящие устройства, а не декорации, что важно для современных зрителей. К сожалению, недавно умерл актёр Сэм Нилл, сыгранный Алана Гранта.

• Thinking Machines предоставили суперкомпьютер для съемок, а продюсеры устроили отдельный показ фильма для их сотрудников.
• На экране использованы реальные модели: оригинальный мок-ап Motorola Envoy и код из Macintosh Programmers Workshop.
• Для синхронизации кадров мониторов и кино‑камер требовались специализированные электронные устройства, о чём рассказывает инженера по синхронизации.
• В control‑room показаны CM‑5 и другие системы SGI, а также детали вроде шей커‑банок и ADB‑клавиатур, подчёркивающие внимание к деталям.
• Фильм вдохновил многих специалистов по технологиям, способствовав развитию интереса к компьютерам и их визуальному оформлению.

Moonshine Micro — это открытый набор инструментов для создания голосовых интерфейсов, работающих на микроконтроллерах и DSP, в частности на процессоре RP2350, который стоит около 80 центов. Он объединяет три модуля: детектор активности речи, распознавание команд и нейронную синтез речи, и при этом укладывается в 470 КБ оперативной памяти. В демо‑конфигурации для RP2350 требуется около 3,6 МБ флеш и 468 КБ RAM, при этом VAD использует ~89 КБ флеш и ~36 КБ RAM, STT — ~1,3 МБ флеш и ~346 КБ RAM, а нейронный TTS — ~1,8 МБ голосового пакета и ~340 КБ RAM. VAD требует ~0,8 MMAC/фрейм (~25 MMAC/с), STT — ~36 MMAC/с, TTS — ~37 MMAC типичного ответа (~65 MMAC/с). Эти цифры показывают, насколько эффективно используются вычисления. Все вычисления выполняются в режиме последовательного time‑sharing одной ~384 КБ арены TFLM.

Код распространяется под лицензией MIT, что позволяет использовать его в коммерческих проектах, а примеры включают настройку Wi‑Fi на RP2350 через голосовое управление. Модули VAD, STT и TTS могут работать независимо, опираясь на TensorFlow Lite Micro для нейронных операций. Главное преимущество — возможность запускать полноценный голосовой пайплайн на микроконтроллере с ограниченными ресурсами, что открывает новые сценарии для умных устройств.

Обсуждение подтверждает, что Moonshine Micro — это реалистичное решение для голосовых интерфейсов на крайне ограниченных устройствах, с практическими применениями в embedded-системах и вебе, но с оговорками по точности и акцентам.

• Совет: Использование NATO phonetic alphabet для распознавания букв может повысить надёжность, но многие пользователи не знают его полностью.

• Moonshine Micro превосходит flite и nanotts по качеству и размеру для TTS на микроконтроллерах, что делает его привлекательной альтернативой.

• TTS на 470 КБ RAM звучит как formant synthesis (например, DECtalk или espeak), а не как нейронный дипхон, что соответствует ожиданиям для таких ограничений.

• Совет: Для веб-применений возможно компилировать Moonshine в WebAssembly, что позволит заменить браузерный синтез речи на более контролируемый.

• Voice activity detection в Moonshine полезен для реального времени и может работать в браузере с минимальной нагрузкой.

• Совет: Для embedded-систем с ESPHome возможна интеграция Moonshine, что расширит возможности голосового управления в IoT-устройствах.

• Спор: Один пользователь сомневается в точности распознавания для индийского акцента, а другой отмечает, что его система с 20 командами часто путала 'p' и 't' — что ставит под сомнение универсальность.

• Для задач вроде управления устройствами (вкл/выкл, влево/вправо) низкая точность допустима, и Moonshine подходит для таких сценариев.

• Совет: Один разработчик достиг 3300 векторов эмбеддингов для ASR с CTC-декодером, что указывает на путь к улучшению качества в рамках 20-25 МБ.

• Moonshine лучше, чем Whisper.cpp, для embedded-сред, где критичны размер и задержка, а не высокая точность.

• Совет: Пользователь создал HTTP-обёртку, совместимую с OpenAI/ElevenLabs, что позволяет легко интегрировать Moonshine в существующие API-клиенты.

• TTS на Arduino с 32 КБ памяти был возможен, но звучал плохо — Moonshine демонстрирует значительный прогресс в качестве при сопоставимом размере.

this is good to see. i also trained a stt under 500kb for sub dollar chips. it had about 20 words that it could understand(like start, stop, left, right, go, up etc) and then the spell mode where you could say the word spell and then say the individual english alphabets and close with spell. it was… — @dwa3592

Blender 5.2 LTS ввёл революционный подход к физике через геометрические узлы: теперь ткань и волосы можно симулировать с помощью нового XPBD-решателя, управляемого визуально. Появились узлы для аудио-реактивных анимаций — можно загружать звуковые файлы прямо в сцену и использовать частоты для управления формами. Добавлены узлы «Bevel» для точного сглаживания рёбер, а также модификаторы для динамики ткани и волос, включая систему эффекторов: гравитация, столкновения и кастомные силы. Всё это можно фильтровать по тегам, что даёт гибкий контроль над взаимодействиями.

Для продвинутых пользователей появилась система «геометрических пакетов» — они позволяют передавать произвольные данные между модификаторами и объектами через узлы Set/Get Geometry Bundle. В API добавлены новые функции: снимки экрана без сохранения на диск, срезы в математических типах (Vector, Matrix), управление штрихами Grease Pencil и стилизованные элементы интерфейса. Также улучшена поддержка фоновой работы и загрузки библиотек. Всё это — часть масштабного обновления, где физика стала полностью процедурной, а гибкость работы с геометрией вышла на новый уровень.

Blender 5.2 LTS значительно улучшился и стал достойной альтернативой коммерческому ПО, но его внедрение в крупных студиях ограничено из-за отсутствия стабильного C++ API, нестабильности Python API, зависимости от платных плагинов (Auto-Rig Pro, Flip Fluids, FaceIt) и многомиллионных инвестиций в кастомные пайплайны и обучение персонала. Autodesk (Maya, 3ds Max) и Maxon (Cinema 4D) остаются доминирующими в анимации и игровой разработке благодаря устоявшимся инструментам и поддержке. Blender активно развивается, покрывает широкий спектр задач — включая аудио-реактивную анимацию и XPBD-физику — и работает быстро даже на слабом железе и Apple Silicon, с низким потреблением ресурсов. Однако его интерфейс остаётся спорным: одни находят его интуитивным после освоения, другие — запутанным, требующим постоянного поиска решений и обращения к гайдам. Для перехода с 3ds Max рекомендуется начинать с Donut-туториала, адаптируя рабочие процессы через поиск и LLM, ожидая «много гугления» — многие функции не имеют прямых аналогов. Blender не требует дорогого железа, привлекателен для инди и студентов, но не решает проблему отсутствия профессиональной поддержки. Его развитие основано на упорстве сообщества, а не маркетинге. Интерфейс по-прежнему требует трёхкнопочной мыши и цифровой клавиатуры — устаревший барьер для ноутбуков. Несмотря на это, Blender используется в профессиональных проектах. Рекомендуется поддерживать Blender Foundation, чтобы сохранить конкуренцию с корпоративными гигантами.

Cursor содержит критическую уязвимость, позволяющую выполнить произвольный код при открытии репозитория с вредоносным файлом git.exe в корне — без каких-либо предупреждений или действий пользователя. Уязвимость проста, но опасна: IDE автоматически запускает этот файл, игнорируя безопасность. Учитывая, что Cursor используют более 7 млн активных пользователей и 50 тыс. компаний, а его оценка достигает $60 млрд, отсутствие реакции на уязвимость, обнаруженную в декабре 2025 года, вызывает серьёзные вопросы.

Mindgard неоднократно сообщал о проблеме через официальные каналы, включая security.txt и HackerOne, но Cursor игнорировал сообщения в течение семи месяцев, несмотря на подтверждение уязвимости и повторные запросы. Только после публичного давления компания признала сбой в автоматизированной системе, но не предприняла действий по исправлению. В ответ исследователи решили раскрыть детали — чтобы защищать пользователей, когда разработчик отказывается это делать. Для защиты рекомендуется блокировать выполнение исполняемых файлов в рабочих каталогах через AppLocker или использовать изолированные среды.

• LLM‑сгенерированные отчёты перегружают команду, их сложно отсеять без риска пропустить реальные проблемы
• Cursor по умолчанию не проверяет рабочее пространство, что позволяет выполнить произвольный код из репозитория (например, git.exe)
• Уязвимость связана с особенностью Windows, когда текущая директория имеет приоритет в поиске исполняемых файлов
• Публичное раскрытие вызвало споры о ответственности разработчиков и необходимости более строгих механизмов доверия

Сегодня анонсирован Bonsai 27B — модель на 27 млрд параметров, основанная на Qwen3.6 27B, впервые способная полностью работать на смартфоне. Существует две версии: трёночная (ternary) с весами {−1,0,+1} и 1‑битовая, использующие групповой масштабирование FP16. Трёночная модель занимает 5,9 ГБ, 1‑битовая — 3,9 ГБ и помещается в память iPhone 17 Pro, при этом сохраняет весь набор функций: мультишаговое рассуждение, вызов инструментов, агентные циклы и мультимодальный vision‑токен. Оба варианта поддерживают 262 K‑токенный контекст, спекулятивное декодирование и полностью работают в низкой точности без перехода в более высокие форматы.

По оценкам на 15‑балльном наборе тестов, включая математику, программирование, вызовы инструментов и визуальные задачи, трёночная версия удерживает 95 % точности полной модели, а 1‑битовая — 90 %. Показатель «интеллектуальной плотности» достигает 0,53 единиц на гигабайт, в 10 раз превышая полноразрядный аналог и в 2,7 раза лучше лучших традиционных низко‑битовых схем. 1‑битовый вариант почти не отстаёт от полной версии в задачах рассуждения и кодирования, а его память в 2,5 раза меньше, чем у самых агрессивных обычных низко‑битовых построек. Весь набор весов доступен по лицензии Apache 2.0, поддерживается MLX на Apple‑устройствах и CUDA на NVIDIA‑GPU, а бесплатный API‑превью уже открыт для разработчиков.

• Bonsai 27B с квантованием до 1–1.58 бит показывает впечатляющую производительность на CPU и мобильных устройствах, конкурируя с более крупными моделями.
• Пользователи отмечают значительное падение в задачах вызова инструментов и странности в ответах (например, неверные макронутриенты), что ставит под сомнение практическую надёжность.
• Инфраструктура для инференса на CPU (llama.cpp, bitnet.cpp) пока не оптимизирована для тернарных моделей, что снижает скорость по сравнению с Q4-квантованными аналогами.
• Мнения разделились: одни видят в этом сдвиг парадигмы к локальным ИИ, другие считают результаты переоценёнными или искусственными, особенно из-за сильного квантования.
• Открытые модели доступны на Hugging Face, но многие инструменты (LM Studio, Ollama) пока не поддерживают их, требуя обновлений или кастомных сборок.

AI‑ассистенты позволяют разработчикам вносить изменения в код без необходимости обсуждать их с коллегами, но при этом исчезает общий язык проекта — совокупное представление о структуре, границах и правилах системы. Раньше такая синхронизация происходила через медленные ревью, вопросы и совместные обсуждения, которые, хоть и были неэффективны, но фиксировали взаимное понимание. Теперь каждый запрос может быть выполнен агентом, тесты проходят, а объяснения генерируются на лету, и изменения «садиваются», даже если человеческое сообщество уже потеряло согласованность.

Как в истории БАБЕЛ: «и вот они имели одно слово, и ничего не было им противостоящее». В результате проект продолжает расти, пока не исчезает архитектурный язык, который позволял людям рассуждать о системе вместе. Пример: один агент добавляет OAuth, другой — кэширование, третий — перестраивает базу и делает UI розовым; всё компилируется, тесты проходят, но никто не обсуждает, как эти изменения влияют на общую модель. В результате «башня» продолжает расти, пока не исчезнет общий язык, который раньше удерживал её в целости.

Эта ситуация обнажает парадокс: технологии ускоряют прогресс, но стирают опору совместного творчества. Без согласования команда теряет способность видеть системные риски, а проект остаётся уязвимым, хотя стены всё растут.

• Композиция в коде сравнивается с Tetris: без очистки строки (упрощения) система «вываливается».
• Потеря общего понимания проекта приводит к росту «башни» без обратной связи, как в истории Бабеля.
• Агентное программирование похоже на управление: разработчики теряют контроль и видимость над изменениями.
• Повышение производительности возможно, но без дисциплины и ревью код быстро теряет смысл и стабильность.

Чтобы проверить, действительно ли оптимизации снижают вводную задержку в играх под Linux, я построил аппаратный измеритель. На монитор крепится фотосенсор, а на микроконтроллере Adafruit QT Py RP2040 имитируется клик мыши с частотой 1000 Гц. При нажатии устройство собирает около 12 000 проб из фотодиода с интервалом ≈ 24 мкс и передаёт их по USB в CSV‑лог. На хосте из этих данных вычисляется время от отправки клика до первого заметного изменения яркости экрана — то есть полная системная задержка.

Тестировал я три сценария: X11 против нативного Wayland, включённый/выключенный VRR и использование форка DXVK с низкой задержкой. Нативный Wayland показывает почти ту же задержку, что и X11 (≈ 7 мс), тогда как XWayland удваивает её, добавляя около 2,1 мс. При включении X11, VRR и low‑latency‑DXVK медиана latency падает на 0,72 мс, а jitter резко снижается благодаря более стабильному темпу рендеринга. Эти цифры подтверждают, что отказ от XWayland и включение VRR дают измеримый выигрыш, а остальные «тюнинг‑трюки» работают лишь при определённых условиях.

• Автор измерил вводную задержку в Linux‑системах, сравнив X11, XWayland, Wayland‑композиторы и Windows‑подобные конфигурации.
• Выяснилось, что XWayland добавляет заметную (≈3 мс) задержку, тогда как современные Wayland‑реализации почти не уступают по скорости.
• Обсуждатели отмечают, что измерения при 500 Гц скрывают реальные различия, а на обычных 60–120 Гц результаты могут выглядеть иначе.
• Комментарии варьируются от восхищения результатами и предложений улучшать тесты до вопросов о влиянии дистрибутивов, драйверов и игровых движков.

Мы всё чаще передаём мышление искусственному интеллекту: от выбора завтрака до поиска партнёра, от резюмирования разговоров до автоматического анализа данных. Как рассказывает Кен Лю в рассказе «Идеальная пара», персонаж полагается на Tilly — универсального помощника, который не только подсказывает, но и решает, что ему есть, что слушать и как вести диалог. Аналогичный сценарий наблюдается у «Микрофонного человека» в Сан‑Франциско, который записывает всё, а затем доверяет ИИ‑модели «Клод Фейбл» делать критическое мышление за него. Современные сервисы Deep Research от Google и OpenAI могут выполнить работу, которая раньше занимала часы или дни, за считанные минуты, но при этом требуют от нас лишь подтверждения готового ответа.

Эта удобность ставит под вопрос границы автономии: если мы перестанем задавать вопросы, оценивать источники и формулировать выводы, останемся лишь потребителями готовых решений. Как замечает Jenny в истории Лю, «Tilly не просто говорит, что вам хочется, она говорит, как думать». Баланс между автоматизацией рутины и сохранением способности самостоятельно формировать желания и суждения остаётся главным вызовом. Мы автоматизируем не только задачи, но и саму человеческую агентность.

• Люди опасаются, что чрезмерное доверие к ИИ приводит к потере навыков критического мышления и «мозгового выгорания».
• Примеры: автоматическое генерирование кода, расчётов и ответов без проверки, что приводит к ошибкам и непониманию.
• Некоторые считают, что ИИ может расширять возможности, если используется как инструмент, а не замена мышления.
• Дискуссия подчёркивает необходимость баланса: оставить пространство для самостоятельного анализа и обучения.

Клод стал заменять «load‑bearing» и «honest take» на странные фразы, и пользователи ищут способ обойтись этим. Решение — перехватить вывод через хук MessageDisplay и подменить набор слов, чтобы они звучали абсурдно или исчезли. В примере используется небольшой Python‑скрипт с replacements: «seam» → «whatchamacallit», «you're absolutely right» → «I'm a complete clown», «honest take» → «spicy doodad», «load‑bearing» → «cooked». Скрипт читает JSON‑ввод, применяет регулярные замены с флагом re.IGNORECASE и границами слов, чтобы замены срабатывали только целиком.

Чтобы подключить, файл сохраняют в ~/.claude/hooks/wordswap.sh, делают исполняемым и добавляют в settings.json запись, указывающую на скрипт. После перезапуска сессии Claude выводит, например, «cooked seam» вместо «load‑bearing seam» и «spicy doodad» вместо «honest take». На форуме обсуждают, что такие «переводы» уже помогли более 5 000 участникам избавиться от раздражителя, превращая его в комичный «whatchamacallit». Выбирайте свои замены — например, «grilled» вместо «cooked» или «flaming marshmallow» вместо «spicy doodad» — и наслаждайтесь новым стилем общения. Тема набрала более 300 комментариев, где участники делятся своими наборами замен и шутками. Некоторые даже используют её для создания персонализированных стикеров в чатах.

• Люди раздражаются из‑за повторяющихся «клаудизмов», которые модель использует в любом контексте
• Большинство ищут способы ограничить такие фразы через CLAUDE.md или собственные подсказки
• Психологически раздражает, когда ИИ «застревает» в предсказуемом стиле, в отличие от человеческого вариативного голоса
• Некоторые считают эти паттерны полезными сигналом ИИ‑содержимого, но хотят, чтобы модель могла адаптировать стиль под задачу

В системе MultiAgentV2 сообщения между агентами теперь шифруются, и в результате полностью исчезает возможность просматривать их содержимое в виде открытого аудита задач. Ранее такие сообщения оставляли читаемый след, позволяющий отслеживать, какие действия предпринимал каждый агент, но после внедрения шифрования этот след исчез, что привело к регрессии в инструментарии мониторинга. Пользователи отмечают, что без читаемого трейла сложно воспроизводить отладку и проверять корректность выполнения цепочек. Это особенно критично для команд, которые полагаются на историю сообщений для проверки последовательности решений и для автоматического построения отчётов о выполненных задачах. Кроме того, отсутствие открытого аудита усложняет интеграцию с внешними системами мониторинга, которые ожидают видеть структурированный журнал.

Чтобы вернуть аудит, предлагается сохранять расшифрованные метаданные в отдельный журнал или добавить необфусцированный фрагмент в текущий лог, чтобы система могла продолжать фиксировать ключевые события. Авторы обсуждают компромисс между безопасностью шифрования и необходимой прозрачностью для отладки, и планируют внести изменения в протокол, чтобы аудит‑трейл оставался доступным без раскрытия содержимого сообщений. Если такой компромисс будет принят, это уменьшит количество обращений в issue и улучшит доверие к системе мониторинга.

• Кодекс шифрует сообщения между главным агентом и под‑агентами, делая их видимыми только серверу OpenAI
• Цель — ограничить использование и перепродажу подписок, защитить данные от черного рынка и дистилляции моделей
• Выходы под‑агентов всё равно остаются открытыми в открытом виде, а расшифровка происходит на стороне сервера
• Обсуждение вызывает вопросы о прозрачности, потенциальном «чёрном ящике» и риске привязки к экосистеме OpenAI