Hacker News Digest

Newgrounds — это платформа, где каждый может публиковать и находить анимацию, игры, музыку и искусство, созданное независимыми авторами. С 1995 года сайт стал домом для тысяч пользовательских работ, от абсурдных флеш-анимаций до сложных интерактивных игр и экспериментальной музыки. Здесь нет цензуры — контент часто провокационный, неформальный и полный личного стиля, что делает его уникальным в эпоху алгоритмических лент.

Платформа поддерживает сообщество через системы оценки, судейство и форумы, где авторы получают обратную связь и растут. Популярные работы вроде «Punk Ass Pirate Donkey» или «Wade’s Song» демонстрируют смесь чёрного юмора, технического мастерства и эмоциональной глубины. Newgrounds остаётся одной из немногих площадок, где творчество не подчиняется трендам, а живёт по правилам авторов — и именно это привлекает миллионы поклонников. Поддержка сайта через подписки даёт доступ к дополнительным функциям и помогает сохранить его независимость.

Newgrounds сохранил контент и сообщество, формировавшее раннюю веб-культуру создания игр и анимации. Многие пользователи впервые научились программировать на платформе, создавая простые Flash-игры и обмениваясь кодом на форумах — это стало стартовой точкой для их карьеры в разработке. Платформа была ключевой для независимых авторов 2000-х: даже неудачные работы (например, «blammed» анимации) сохранялись, создавая уникальную архивную ценность. Популярные игры вроде *Fancy Pants Adventures* и *Kingdom Rush* начались на Newgrounds, демонстрируя её роль как катализатора коммерческих проектов. Пользователи вспоминают, как играли в школе, скрываясь от учителей, подчёркивая культурное проникновение платформы в повседневную жизнь подростков до эпохи фильтрации контента. Музыка и анимации, созданные подростками, остаются доступными спустя 20 лет, делая Newgrounds уникальным архивом детского и юношеского творчества. Создатели, включая Тома Фулпа, использовали реальных друзей как персонажей ещё до запуска, показывая, как личные связи формировали контент с самого начала. Сайт сохранил нецензурированную природу, контрастируя с современными платформами, и воспринимается как редкий остров свободы в интернете. Пользователи отмечают, что современные платформы вроде Roblox и Minecraft не передают ту же атмосферу неформального, личного творчества, характерную для Newgrounds в 2000-х. Некоторые до сих пор посещают свои старые профили, испытывая смешанные чувства, но признавая историческую ценность своих работ. Создание первой коммерческой игры для Armor Games произошло через Newgrounds, подтверждая её роль как инкубатора для других платформ. Пользователи вспоминают, что их первые Flash-игры были примитивны, но искренни — именно это делало сообщество уникальным по сравнению с современными коммерциализированными платформами. Несмотря на удаление или потерю многих игр, Ruffle и архивы сохранили значительную часть контента, сделав Newgrounds одним из немногих сохранившихся примеров раннего веб-творчества. Платформа предоставляла обратную связь от сообщества (например, «blamming»), формируя навыки критического мышления и устойчивость к отзывам. Создатели музыки и анимации часто были подростками, и их работы, созданные в 15 лет, остаются доступными спустя десятилетия, подчёркивая долговечность Newgrounds как архива.

Автор провёл месяц, пытаясь использовать только модель GLM 5.3 Flash в проектах с Wagtail CMS, но достиг лишь 50% целевого использования: первая половина месяца прошла успешно — модель работала в рамках бюджета ($68, 365 г CO₂, 4 кВт·ч), а во второй половине пришлось переключаться на другие модели из-за непредвиденных проблем. Основные трудности возникли из-за использования неподходящей модели в экспериментальном MCP-сервере («vibe coding»), что привело к расходу 450M токенов ($150, 5 кВт·ч) за короткое время, несмотря на рабочий прототип. Также повлияли ограничения инфраструктуры: популярные открытые модели, включая GLM 5.3 Flash, страдали от перегрузки провайдеров в европейских дата-центрах, что вынудило перейти на аналоги вроде DeepSeek V4.1 Flash и Qwen 3.8 Flash. Параллельно продолжались эксперименты с широким спектром моделей для бенчмаркинга задач в Wagtail, где DeepSeek V4.1 Flash показал 95% точности при 14.9 Вт·ч и $0.09 за задачу. Несмотря на неудачу в соблюдении режима одного месяца, автор извлёк уроки: необходимость постоянного мониторинга энергопотребления и затрат, бюджетирования на R&D, улучшения промптов и мультиагентных паттернов, а также фокуса на эффективных «flash»-уровневых моделях для повседневной работы — цель на октябрь — большинство инференса выполнять такими моделями, измеряя эффективность по энергии и стоимости, а не токенам. Приглашение на Wagtail Space 2026 в ноябре для обсуждения результатов.

GLM 5.3 Flash эффективен для прототипирования и повседневных задач, но акцент смещается на реальные цифры энергопотребления, системные ограничения инфраструктуры и несоответствие медиа-нарративов практическим данным. Инференс GLM 5.3 Flash потребляет 4 кВт·ч/месяц — сопоставимо с часом работы теплового насоса или 8 часами игры на игровом ПК, что опровергает преувеличенные опасения по поводу энергозатрат ИИ-центров. Инференс требует мало вычислений и в основном зависит от IO, поэтому энергопотребление мало — основная нагрузка приходится на обучение, а не на использование моделей. Пользователи подтверждают, что GLM 5.3 Flash эффективен для повседневной разработки: справляется с мелкими исправлениями, работает как основной бот в агентных системах, его производительность близка к Opus 4.5. Реальное энергопотребление инференса на локальном GPU (5 кВт·ч/день для Qwen3.8 27B) выше, чем в облаке, что указывает на эффективность облачных инфраструктур за счёт параллелизма и оптимизации. Энергопотребление ИИ-центров — локальная проблема (нагрузка на инфраструктуру, охлаждение, шум), а не глобальная, поскольку доля от общего потребления электроэнергии мала. Стоимость инференса на GLM 5.3 Flash ($68/месяц) делает выбор модели вопросом бюджетирования, а не только качества — это новая реальность для разработчиков. Китай опережает США в энергоэффективности ИИ-инфраструктуры благодаря прямой конкуренции и более рациональному масштабированию, а не гипер-развитию энергозатратных центров. Спор: Некоторые считают панику по поводу ИИ-центров астрофёртом, созданным для отвлечения от реальных проблем (замена людей ИИ), сравнивая её с моральными паниками. Противоположная точка зрения: централизация ИИ-инфраструктуры скрывает локальные последствия — тепло, шум, нагрузка на электросети и водоснабжение, не учитываемые в глобальных цифрах. Совет: Для оценки эффективности моделей нужно смотреть не только на стоимость за токен, но и на время выполнения задачи — некоторые модели требуют в 2–3 раза больше токенов, что делает их дороже в реальном применении. Совет: GLM 5.3 Flash лучше использовать в паре с планировщиком (Astra Low) и ревьюером (Sol 6.1 Medium), чтобы компенсировать недостатки согласованности и надёжности. Совет: При использовании агентных пайплайнов важно учитывать кеширование — DeepSeek показывает лучшую эффективность кеширования (99.x%), снижая стоимость на длинных задачах в 2–3 раза по сравнению с другими провайдерами. Совет: Для разработчиков: не забывайте о полном жизненном цикле — производство чипов, охлаждение, простой оборудования — это тоже влияет на экологический след, а не только на текущее энергопотребление. Совет: Использование дешёвых моделей для прототипирования — разумно, но важно понимать, что такие решения не подходят для продакшена (например, для GPU-драйверов) — первый вариант всегда стоит выбрасывать. Инференс на GLM 5.3 Flash в облаке может быть дешевле, чем локальный запуск, из-за оптимизации ресурсов, но локальные установки дают больше контроля и независимости от провайдеров.

В 2023 году я купил Framework 13 AMD 7040 — ноутбук с открытым железом, который можно собрать сам и апгрейдить по желанию. Три года он работал без проблем, пока компания не предложила установить BIOS 3.20 с «важными» патчами безопасности. Обновление зависла, экран исказился, и дальше ничего не происходило — обычный «кирпич».

Поддержка посоветовала вынуть батарею, дать ей полностью разрядиться и снова включить устройство. Ничего не изменилось, а гарантия уже истекла, поэтому замену материнской платы предложили за 500 CAD. На форумах я нашёл множество похожих случаев, и официально Framework так и не признал проблему. Поэтому я решил восстановить BIOS самостоятельно, используя недорогие инструменты — всего около 20 USD. Главное: проблема не в «виде», а в защите от записи флеш‑чипа; без уровня‑шифтера 3.3 V сигналы не передаются, а обычный USB‑UART‑адаптер не справится. С помощью программатора и правильно выровненного образа BIOS процесс восстановления стал возможен. Ключевой факт: даже после официального провала, BIOS‑чип можно перепрограммировать, если правильно задать напряжение и использовать level‑shifter.

Framework не обеспечивает надежной процедуры восстановления BIOS, что делает заявленную ремонтопригодность иллюзорной: сбой прошивки приводит к полной неработоспособности, а замена материнской платы за $350–500 экономически неоправданна при отсутствии сторонних запчастей и компенсаций от компании. Пользователи отмечают частые сбои (USB-C, EC-контроллер, клавиатура), медленную поддержку и игнорирование системных дефектов — например, проблем с AMD Data Fabric Sync Flood, которые не исправляются, несмотря на массовость. Обновление BIOS 3.20 вызвало сбои у нескольких пользователей, а поддержка предложила только замену платы. Несмотря на возможность замены компонентов, многие не решают проблем — например, замена считывателя отпечатков не устраняет сбой, а поддержка требует покупки новых деталей. Пользователи сравнивают Framework с ThinkPad и MacBook — у традиционных брендов обновления редко выводят устройство из строя. Некоторые отмечают, что модульность всё же делает Framework ремонтопригоднее других ноутбуков, но это не компенсирует риски. Для восстановления BIOS предлагают использовать Raspberry Pi и flashrom — дешевле, чем CH347. Для пайки в тесных местах рекомендуют эмалированный провод от старых компонентов. За 5 лет один пользователь заменил батарею и корпус — как у обычных ноутбуков, а поддержка осталась неудовлетворительной. По голландскому закону обновление, вызвавшее сбой, считается несоответствием товара — Framework обязан устранить его бесплатно в рамках гарантии.

DeepSeek V4 Flash 0731 демонстрирует высокую эффективность в рамках Artificial Analysis Intelligence Index, где его показатель AA‑Omniscience Index показывает значимые результаты, измеряя надёжность знаний и уровень галлюцинаций; индекс варьируется от –100 до 100, при этом 0 означает равное количество правильных и неправильных ответов, а отрицательные значения указывают на преобладание ошибок. При расчёте стоимости учитываются вводные, кэш‑хиты, рассуждения и генерируемые токены, цена за кэш‑хиты обычно значительно ниже обычной, что позволяет оценить среднюю цену за задачу в долларах. Кроме того, модель использует ограниченное количество выходных токенов на задачу, что снижает расход ресурсов.

Показатель Artificial Analysis Intelligence Index v4.1 включает девять оценок: GDPval‑AA v2, τ³‑Banking, Terminal‑Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA‑Omniscience и AA‑LCR, а модели с типом рассуждения отмечаются светящейся лампочкой. Весовые коэффициенты задач учитывают стоимость входных и выходных токенов, кэш‑записей и кэш‑хранилища, а размер контекстного окна определяет возможность работы с большими объёмами данных в системах генерации с подкреплением, что делает модель привлекательной для коммерческих сценариев.

DeepSeek V4 Flash 0731 демонстрирует высокую производительность и эффективность, особенно в кодировании и решении сложных задач, при этом стоит дешевле GPT-5.4 и Anthropic. Однако сохраняются проблемы с галлюцинациями и забыванием, характерные для предыдущих версий. Модель требует точных спецификаций и может давать ошибочные ответы. Отсутствует multimodal-поддержка. Рекомендуется для задач, где важна стоимость и скорость, но с осторожностью — из-за рисков неточностей.