Hacker News Digest

В Git существует три отдельных механизма для исключения файлов, работающих на разных уровнях. Основной — .gitignore, который хранится в репозитории и попадает в коммит; второй — .git/info/exclude, локальный для конкретного репозитория и не версионируется; третий — глобальный файл ~/.config/git/ignore, действующий для всех репозиториев на машине. Благодаря этому можно игнорировать как общие артефакты (например, .DS_Store), так и личные временные файлы, не засоряя .gitignore.

Для проверки, какой из файлов игнорирует конкретный путь, используется git check-ignore -v <файл>. Если правило берётся из .gitignore, вывод выглядит как .gitignore:1:.DS_Store .DS_Store; из .git/info/exclude — .git/info/exclude:7:.DS_Store .DS_Store; при использовании пользовательского глобального файла — /Users/nelson/.gitignore_global:1:.DS_Store .DS_Store. Если ничего не игнорирует файл, команда ничего не выводит. Кроме того, глобальный файл можно задать под другим именем, например .gitignore_global, командой git config --global core.excludesFile ~/.gitignore_global, а вернуть стандартный режим — git config --global --unset core.excludesFile. Это удобно, если хочется хранить отдельный набор правил, например, исключать все файлы с расширением .log или каталог build. Таким образом, гибкость игнорирования расширяется за пределы обычного .gitignore.

• .gitignore — обычный способ игнорировать файлы в репозитории, но его нельзя использовать для игнорирования глобально на всех проектах.
• Существует глобальный игнор‑файл (~/.config/git/ignore или ~/.gitignore_global), который игнорирует файлы для конкретного пользователя, а не для всей машины.
• Для локального игнорирования без изменения репозитория можно использовать .git/info/exclude или файл в .git (например, scratch/.gitignore с *).
• Иногда полезно добавить правила в .gitattributes (например, игнорировать package-lock.json) или использовать git update-index --assume-unchanged/--skip-worktree для временного отслеживания файлов.

Volkswagen‑приложение перестало работать на GrapheneOS из‑за требования Google Play Services и проверки целостности через Play Integrity API (ранее Pay Integrity). Приложение использует эту проверку для подтверждения подлинности и также отправляет телематические данные в серверы производителя. VW официально заявляет, что поддержка доступна только на устройствах с «стандартным» Android, где установлены официальные обновления и проходит проверка Play Protect. Кастомные прошивки, включая GrapheneOS, попадают в Unsupported environment, поэтому их функции могут работать некорректно или вовсе не запускаться.

Некоторые пользователи сообщали, что после обновления GrapheneOS и включения Play Services приложение открывается, но без доступа к контактам может «зависнуть», а проверка целостности часто блокирует запуск. В ответе поддержки VW указано, что приложение работает только на поддерживаемых версиях Android и устройствах, прошедших проверку Play Protect, тогда как кастомные прошивки не проходят эту проверку. Поэтому на GrapheneOS возможны полные сбои или ограниченную полноценную функциональность в полной мере. Для восстановления работы многие удаляли Aurora‑версию, ставили официальную из Play Store, включали Play Services, подтверждали вход и затем отключали их, после чего приложение показывало статус машины, но без карты.

• VW блокирует доступ к своим API и требует Play Protect, что делает невозможным использование community‑проектов и GrapheneOS.
• Пользователи отмечают, что приложение VW перегружено рекламой и функциями, а альтернативные решения (например, Home Assistant) работают лучше.
• Открытый API и возможность создания собственного фронтенда рассматриваются как необходимые для повышения приватности и конкурентоспособности.
• Многие считают, что современные автомобили становятся «запертыми» устройствами, а простые, без‑программные решения (например, старые модели без интернета) выглядят привлекательнее.
• Есть призыв к законодательным инициативам, требующим публичного раскрытия API и поддержки всех ОС для авто‑приложений.

Lore — это новый открытый контроль версий, созданный Epic Games для масштабных игровых и развлекательных проектов, где код сочетается с большими бинарными артефактами. Он хранит данные по контент‑хешу в Merkle‑дереве, формируя неизменяемую цепочку ревизий, что обеспечивает проверку целостности и повторное использование кода. Файлы разбиваются на переиспользуемые куски, а рабочие пространства могут подгружать данные только по требованию, делая систему лёгкой в начале и готовой к росту без дублирования.

Запуск занимает минуты в локальном режиме, а затем система масштабируется за счёт кэшируемого центрального сервиса и сжатой передачи данных. Свободные ветки позволяют быстро создавать, управлять и синхронизировать их, а CLI даёт полный доступ к всем функциям. Поддерживаются SDK на C/C++, C#, Rust, Go, Python и JavaScript, а лицензия MIT делает проект полностью открытым. Epic позиционирует Lore как основу для совместного развития открытого экосистемного контроля версий, приглашая разработчиков присоединиться к сообществу через GitHub и Discord. История репозитория проверяется криптографически, а лёгкие ветки ускоряют переключение без дублирования данных. Система обеспечивает сжатие и дедупликацию, экономя место даже при частых изменениях больших файлов.

• Lore — новый VCS от Epic, ориентированный на игровую разработку и работу с большими бинарными артефактами, позиционируется как конкурент Perforce.
• Использует Rust, открытый исходный код, предлагает «полную» API и интеграцию с Unreal Engine, но пока документация написана LLM‑ом и содержит стилистические несоответствия.
• Планируется поддержка локального/отдельного режима без сервера, но текущая реализация требует удалённого хранилища и GUI‑клиента пока не реализован.
• Обсуждаются вопросы масштабируемости, локального использования для личных проектов и потенциального применения в ML/AI‑проектах, а также сравнение с существующими решениями вроде PlasticSCM и XetHub.

Исследование Future of the Web 2026, проведённое WordPress VIP, показывает, что бренды, использующие AI‑оптимизацию контента, получают в среднем 30 % больше упоминаний в больших языковых моделях, что напрямую повышает их видимость. Платформа предоставляет enterprise‑решения: мгновенную производительность, масштабируемость, встроенную аналитику Parse.ly и расширяемую экосистему, позволяющую маркетингу и разработке работать без постоянного привлечения разработчиков.

Кейсы подтверждают выводы: Pew Research Center, усилив видимость в LLM, выпустил крупнейший отчёт в своей истории, а Al Jazeera после перехода на headless WordPress VIP улучшил все ключевые KPI. Партнёры VIP применяют AI для автоматизации рабочих процессов, ускорения публикаций и создания персонализированных аудио‑видео‑опытов, делая контент не просто текстом, а полноценным брендовым опытом.

• Брендинг «AI» часто направлен на инвесторов, а не на конечных пользователей, которые ценят практичность, а не технологический шум.
• Большинство реализованных AI‑фич воспринимаются как ухудшение качества, лишняя сложность и «показуха», вызывающие недоверие.
• Потребители формируют мнение о продукте по собственному опыту, а не по маркетинговым обещаниям о «будущих возможностях».
• Слишком широкая и неопределённая терминология «AI» размывает её смысл, делая её маркетинговым клеймом, а не реальной ценностью.

В США наука переживает кризис: политические удары и резкие сокращения бюджета разрушают традиционный договор между исследователями и правительством. Пример — проект космического телескопа AXIS, который должен был изучать первые чёрные дыры. После предложения DOGE о массовых выходных из NASA 4 000 сотрудников (примерно 20 % персонала) приняли добровольные уступки, среди них — главный инженер датчиков и руководитель проекта. Оставшиеся лишь PowerPoint‑презентации не смогли спасти идею x‑лучевых зеркал из кристаллического кремния, получившую ранее грант в $5 млн. По оценкам, лишь около 40 % всех расходов на базовые исследования в стране поступает из федерального бюджета, остальные — из частного сектора и фондов.

В бюджете Трампа предложены масштабные сокращения, что усиливает «программный хаос» и приводит к оттоку талантов. NASA также сократил финансирование других астрофизических миссий, а оставшиеся 20 специалистов оказались без полной документации, вынужденные собирать проект из фрагментов. Эта ситуация демонстрирует, как разрушается союз науки и политики, когда решения принимаются под давлением бюджетных ограничений, а не подкреплены долгосрочным видением. В результате фундаментальная научная работа теряет стабильный финансовый фундамент, угрожая замедлению открытий и ставя под угрозу прогресс в космосе.

• Сокращение грантов и замораживание бюджета NASA приводят к массовому уходу учёных и закрытию проектов.
• Политизация научных программ (удаление DEI, ограничения на язык) усиливает недоверие к институтам и ухудшает адаптацию к новым условиям.
• Визовые ограничения и отток кадров из-за границы ослабляют исследовательскую базу и замедляют научный прогресс.
• Система финансирования, построенная на непостоянных грантах, становится уязвимой к быстрым политическим изменениям, требуя реформ.

GLM‑5.2 стал лидером открытых моделей по индексу Artificial Analysis Intelligence, набрав 51 балл — на 11 пунктов выше GLM‑5.1 и опережая MiniMax‑M3 и DeepSeek V4 Pro, у обоих 44. Модель имеет 744 млрд параметров (из них 40 млрд активных) и контекст до 1 млн токенов, а её цена в API остаётся такой же, как у предшественника: $1.4 за входные, $0.26 за кэш‑хиты и $4.4 за выходные токены per 1 млн. Лицензия — MIT, а модель доступна через первый‑парт API Z ai и через множество сторонних платформ: DeepInfra, Novita, Nebius, Parasail, Siliconflow, GMI Cloud, Baseten, Fireworks.

Она лидирует в GDPval‑AA v2 с результатом 1524, обогнав MiniMax‑M3 (1418) и DeepSeek V4 Pro (max, 1328), и находится на парето‑фронтере «интеллект‑стоимость», где её стоимость задачи около $0.46, ниже у конкурентов. GLM‑5.2 использует 43 k выходных токенов на задачу, из них 37 k рассуждений, и показывает рост: +16 в CritPt, +12 в HLE, а галлюцинации в AA‑Omniscience снизились до 28 % (против 29.4 % у GLM‑5.1). Точность в CritPt выросла до 21 %, в HLE — до 40 %.

• GLM 5.2 демонстрирует почти граничный уровень производительности, сравнимый с Opus 4.6‑4.7, при этом предлагает более низкую стоимость за задачу.
• Модель требует значительных вычислительных ресурсов: даже GLM 5.2 «xhigh» тратит более 15 минут и около 45 тыс. токенов на простую задачу, что указывает на ограничения в эффективности рассуждений.
• Отсутствие мультимодального ввода (изображений) ограничивает применение модели в задачах, где нужен визуальный контекст, в отличие от конкурентов (GPT, Gemini, Gemma, Qwen).
• Несмотря на высокие цены на облачный API, локальное развертывание модели остаётся привлекательным из‑за преимуществ в приватности и автономности, хотя требует значительных инвестиций в железо.

GrapheneOS уже полностью перенесён на Android 17, и официальные сборки появятся в ближайшее время. Порт прошёл тестирование на Pixel 6a, 7, 7a, 8, 10a, 10 и 10 Pro Fold, а уже сегодня пользователи смогут собрать и попробовать альфа‑версию, а завтра начнётся публичный тест. На данный момент собирается финальная сборка на базе Android 16 QPR2, а релиз для всех поддерживаемых устройств запланирован на завтра.

Чтобы установить Android 17, необходимо иметь последнюю сборку Android 16 (build 2026061600); без неё обновление не пройдёт, а после перехода на новую версию можно лишь после полного стирания данных. Разработчики планируют пройти стандартный цикл альфа‑, бета‑ и стабильных релизов, поэтому большинство пользователей получат Android 17 не сразу, а после завершения тестов. Текущий статус каждого поддерживаемого устройства отслеживается в открытой таблице на grapheneos.org/releases. Если вы хотите помочь в тестировании, можно переключить System Updater на альфа‑канал, но будьте готовы к возможным сбоям и нескольким дням ожидания исправлений, если возникнут критические проблемы. При этом, как отмечают в сообществе, Google пока не объявил поддержку Android 17 для Pixel 6 и 6 Pro, однако GrapheneOS планирует включить их в список поддерживаемых устройств, и обеспечить их тестирование в рамках предстоящего релиза.

• Пользователи отмечают высокую безопасность и стабильность GrapheneOS на Pixel‑устройствах, но сталкиваются с проблемами в работе банковских, транспортных и платежных приложений.
• Отсутствие поддержки 911/E‑911, микроSD, NFC‑платежей и некоторых региональных сервисов (Google Voice, локальные приложения) ограничивает переход с обычных Android‑устройств.
• Усиление ограничений со стороны Google (side‑loading, Android 17) поднимает интерес к GrapheneOS как альтернативе, однако поддержка новых моделей Pixel пока не завершена.
• Проект получает положительные отзывы и пожертвования, но требует улучшений в UI, батареях и официальной поддержке более широкого спектра устройств.

Apple quietly introduced a hidden anti‑nausea trick in iOS: a constellation of tiny, slowly drifting white dots that appear on the screen when a user enables the “Reduce Motion” accessibility option. The dots create a stable visual reference point, counteracting the mismatch between what the eyes see and what the inner ear feels while riding in a moving vehicle.

In my own test, turning the feature on eliminated the queasy feeling I usually get on car trips, and internal Apple testing cited a roughly 30 % drop in self‑reported motion‑sickness symptoms among participants who used the pattern for a week. The design stems from research showing that subtle, slow‑moving patterns can calm the brain’s motion‑processing circuits, and the implementation is deliberately understated—just a faint galaxy of specks that most people would never notice unless they looked for it. Apple has not announced the feature publicly, but it is now live for anyone willing to dig into the Accessibility settings.

• Обсуждается функция «точек», которая снижает тошноту при чтении в движении за счёт визуального маркера.
• Пользователи делятся как положительным опытом (работает, помогает), так и отрицательным (не помогает, вызывает дискомфорт).
• Есть альтернативные решения: Android‑приложения, специальные очки с жидкостью, а также простые методы вроде закрытия глаз или вентиляции.
• Вопросы о переносе на компьютеры, влиянии качества воздуха и о потенциальной помощи людям с сильной морской или автомобильной тошнотой.

Локальные модели теперь почти не уступают облачным в ежедневных задачах разработки. На M2‑Mac с 64 ГБ ОЗУ и 1 ТБ памяти я запускаю Mistral 7B, Gemma 3, OpenAI OSS‑20B, Qwen 3 MOE и другие варианты через llama.cpp, Ollama, LM Studio и Open WebUI. Раньше они были медленными и неточными, но с выходом GPT‑OSS я перестал проверять их ответы против API‑моделей, используя их как быстрый персонализированный поиск в Google.

С недавними релизами Gemma 4 я начал запускать агентные циклы локально: модель Gemma‑4‑12b‑qat в LM Studio дает около 75 % точности и скорости frontier‑моделей, позволяя рефакторить код, писать unit‑тесты и даже построить две‑топовую рекомендательную систему в Docker‑контейнере. Я ограничиваю доступ только к bash, а кеш ключ‑значения достигает 64 ГБ, но такие задачи, которые шесть месяцев назад были невозможны, теперь выполняются. Модель прошла квантование, сохранив почти ту же точность, но работая быстрее. Для безопасности каждый сеанс Pi запускаю в Docker, давая лишь права на оболочку. Эти простые, но персонализированные запросы, от рефакторинга до генерации тестов, показывают, что локальные модели уже могут заменить быстрый Google‑поиск в большинстве повседневных задач.

• Локальные модели (особенно MoE‑варианты) быстрые, но требуют значительных ресурсов и часто уступают в точности крупным облачным сервисам.
• Для комфортной работы нужны минимум 64 ГБ RAM и 1 ТБ хранилища; иначе возникают задержки и ошибки в генерации.
• Гибридный подход (планирование крупными моделями, исполнение локальными) дает лучшую продуктивность, чем попытка полностью заменить облачные сервисы локальными.
• Стоимость локального запуска может быть конкурентоспособна только при наличии уже имеющегося железа; иначе выгоднее платить за облачные подписки.

Механические часы хранят энергию в тонкой спиральной пружине, помещённой в металлический барель, и передают её вращение через Arbor к шестерёнкам, которые движут стрелки. Эта пружина работает по принципу крутящего момента: при натяжении она хранит энергию, а при отпускании постепенно отдаёт её, вращая барабан. Внутри движения присутствует семь основных элементов, а ключевой – мэйнспринг, который в бареле хранит запас энергии, а металлическая лента, прикреплённая к пружине, создаёт трение, удерживая её от перемотки.

Вращая Arbor, пользователь натягивает пружину, после чего она постепенно раскручивается, вращая барель и приводя в движение механическую передачу. Arbor имеет небольшую крючок, который схватывает конец пружины, позволяя передать крутящий момент без скольжения. Баррель с толстыми стенками сдерживает резкое раскручивание, а система трения фиксирует наружный конец, обеспечивая равномерный отдач и предотвращая перемотку. Благодаря этому механизму часы могут работать несколько дней без подзарядки, а интерактивная демонстрация lets you drag the device and examine each part in detail. Эти детали делают механический механизм не только надёжным, но и эстетичным, позволяя увидеть, как энергия превращается в точность времени.

• Интерактивный сайт объясняет механизмы часов простым языком и визуально, делая сложные темы доступными.
• Автор использует чистый «ванильный» HTML/CSS/JS, сайт работает даже на старых устройствах.
• Обсуждение охватывает автоматический механизм, необходимость ношения часов и их сервисные аспекты.
• Участники делятся рекомендациями по недорогим часам, сервису и вдохновением от проекта.