Hacker News Digest

Я превратил свои наружные камеры видеонаблюдения в систему автоматической идентификации птиц с помощью BirdNet-Go — открытого проекта, который запускает модели распознавания птичьего пения локально на оборудовании. Система работает 24/7, анализируя аудиопоток с камер через RTSP и мгновенно определяя виды птиц, летучих мышей и даже лягушек по их звукам. Всё происходит без облака, без API и ежемесячных платежей — модели, включая Google Perch v2 (14 795 видов против 6000 в BirdNET 2.4), хранятся локально на сервере или Raspberry Pi.

Я настроил три существующие IP-камеры, подключив их к BirdNet-Go, и добавил правила оповещений: например, мгновенное уведомление в Discord-канал #birdnet при появлении кардинала или редкого вида. Система ведёт журнал всех обнаружений, отмечая новые виды для отслеживания биоразнообразия двора — за год зафиксировано 418 726 обнаружений 271 уникального вида, средняя уверенность 60,9%, самым частым оказался домовый вьюрок (118 667 записей). Интеграция с BirdWeather позволяет делиться данными с сообществом, а связка с Home Assistant выводит результаты на панель управления. Микрофоны камер автоматически глушатся при обнаружении речи — полезная функция для конфиденциальности. Для двора, где нет камер, рассматриваю отдельный микрофон, чтобы не нарушать приватность, но сохранить функциональность. Пока это не дверbell, но может использовать её RTSP-поток, если он есть. Всё работает как «птичий компаньон», который никогда не спит.

BirdNet-Go эффективно работает с RTSP-аудиопотоками от обычных камер видеонаблюдения, но качество распознавания сильно зависит от аудио-аппаратуры и частоты дискретизации — для надёжной работы требуется доработка оборудования. Для распознавания птиц и летучих мышей необходима частота дискретизации 48 кГц; стандартные камеры Aqara с 16 кГц не подходят — лучше использовать отдельный микрофон на Raspberry Pi. RTSP-поток от Unifi-камер позволяет интегрировать BirdNet-Go без дополнительного оборудования, что подтверждено в продакшене. BirdNet-Go стабильно работает на Home Assistant с GPU-ускорением и RTSP-потоками от Reolink-камер, обрабатывая несколько камер одновременно без облачных сервисов. Для распознавания летучих мышей требуются ультразвуковые частоты, поэтому нужны специализированные микрофоны вроде AudioMoth и высокая частота дискретизации, недоступная в большинстве камер. Популярные дополнения: e-ink-дисплеи для отображения распознанных видов в реальном времени; для снижения ложных срабатываний нужна настройка порогов уверенности модели, так как при плохом звуке и нестандартных условиях распознавание неточно. В ветреных условиях помогают микрофоны с шумоподавляющими экранами, иначе шум мешает распознаванию (пример — Aqara-камеры). Для портативного использования рекомендуется собирать систему на Raspberry Pi с внешним микрофоном и e-ink-дисплеем. Открытые модели BirdNet позволяют запускать систему локально без подписок, облачных API и риска отключения — ключевое преимущество перед коммерческими приложениями. Merlin Bird ID и BirdNet-Go часто дают низкопробные идентификации в Австралии при низкой вероятности, что требует ручной проверки с учётом локальной фауны. Интеграция BirdNet-Go с Frigate и другими системами видеоанализа возможна, но в проекте акцент на аудио, так как визуальное распознавание птиц по камере менее надёжно. Для автоматизации сбора данных рекомендуется синхронизировать результаты BirdNet-Go с eBird, чтобы вносить наблюдения в научную базу без ручного ввода.

Needle 2 — 45‑млн‑параметрическая модель, упакованная в 14 МБ и работающая в 28 МБ ОЗУ. Она использует CQ2‑бит квантование Cactus Quants и собственную инференс‑движок, поддерживает генерацию до 500 токенов/сек на Raspberry Pi 5 и 400‑1500 токенов/сек на VR‑устройствах. Благодаря такой лёгкости её можно запускать на микроконтроллерах (ESP32‑S3), смартфонах за $200 и других «тонких» платформах, где нет GPU и NPU.

Главная идея — перевести сложные задачи (вызов функций, извлечение схемы) в небольшие, предсказуемые операции без «мудрёного» контекста. Каждый ответ оформляется как «оболочка вызова», пустой вызов — отказ, а точный контракт гарантирует, что модель лишь выбирает нужную функцию и её параметры. Это позволяет 45‑млн‑модель конкурировать с 200‑млн‑парметрическими аналогами в задачах управления умным домом, роботами и мобильными приложениями, а при низкой уверенности она передаёт запрос в облако, сохраняя приватность и экономию ресурсов. Ключевые цифры: 14 МБ файл, 28 МБ RAM, 500 токенов/сек на Pi 5, поддержка CQ2‑бит без потери качества.

Тред дополняет статью информацией о возможностях и ограничениях модели Needle 2, её применении и проблемах использования. Некоторые пользователи отмечают её полезность для локальных задач — например, управления умным домом или робототехникой — но указывают на ограничения в обработке сложных запросов, особенно связанных с навигацией и манипуляцией объектами. Есть споры: одни считают модель слишком малой, другие — подходящей для узких задач. Рекомендуется проводить дополнительную настройку, тестирование и рассматривать сочетание Needle 2 с более крупными моделями для решения сложных задач.

QuadRF — это портативный фазированный радиомассив на базе Raspberry Pi 5 и FPGA, способный в реальном времени обнаруживать беспилотники и «видеть» Wi‑Fi сквозь стены. Он стримит цифровой спектр I/Q через MIPI‑интерфейс с пропускной способностью более 5 Гб/с, а встроенный AR‑визуализатор отображает сигналы 4,9–6 ГГц цветами‑блоками, позволяя пользователю регулировать усиление и выравнивание антенн в браузере.

Тестирование показало, что устройство легко запускает GNU Radio и кастомный AR‑визуализатор через локальный Wi‑Fi‑точка, а при полёте дрона DJI Mini 4 сигнал появляется как красный или зелёный «блуждающий» объект, требующий увеличения усиления при удалении. В комплекте есть опциональный набор с батареей и креплением для手持‑режима, позволяющим сканировать диапазон C‑band в движении. Разработчики планируют объединить несколько модулей, достигая эквивалентного излучаемой мощности 1,15 МВт, но текущий прототип остаётся небольшим и 3D‑печатным. При этом открытый характер проекта даёт шанс сообществу улучшать интерфейс и расширять применение, а governments уже давно используют аналогичные системы, поэтому важно освещать их возможности и уязвимости. Пикосекундный тайм‑синхронизатор обеспечивает точность измерений, позволяя различать слабые сигналы в шумном спектре. Это делает устройство пригодным для экспериментов в радиосвязи и радиолокации.

• Описание QuadRF‑модулей, их демо‑видео и планы улучшения UI
• Ограничения частотного диапазона (5‑6 ГГц), потенциальные применения: детекция дронов, поиск скрытых камер, локализация помех и EMC‑тестирование
• Отзывы о цене (ожидалось $50‑100, фактически $500) и сравнение с существующими SDR‑решениями
• Дискуссия о будущих возможностях: расширение диапазона, интеграция в мобильные платформы, влияние на рынок и государственные проекты

OpenPrinter — это ремонтный и компактный принтер‑плоттер, который экономит деньги и ресурсы за счёт заправляемой краски и независимых черно‑и цветных картриджей. Благодаря системе refill‑ink пользователь экономит до 30 % на расходных материалах и контролирует расход чернил, избегая ситуаций «цветные картриджи заблокированы». Принтер поддерживает печать на листах A4/A3 и на рулонных материалах, а резак позволяет создавать баннеры, этикетки и кастомные формы.

Корпус выполнен из открытых компонентов: в основе — Raspberry Pi Zero W и микроконтроллер STM32, а остальные модули — стандартные и доступные для самостоятельного ремонта, что снижает электронные отходы. Устройство работает без драйверов на ОС, подключается по USB‑C, Wi‑Fi, Bluetooth и даже через USB‑накопитель, поддерживая печать с флеш‑памяти. Технические параметры: 600 dpi в чёрно‑белом режиме, 1200 dpi в цвете, скорость пока не объявлена, но при этом устройство занимает лишь 497 × 233 × 111 мм и легко монтируется на стену или размещается на столе. Благодаря открытой архитектуре пользователь может 3D‑печатать собственные детали, выбирать цвет корпуса из шести вариантов и адаптировать принтер под любые задачи, от фотопечати до крупномасштабных баннеров, сохраняя полную независимость от поставщиков. Принтер оснащён 24 В блоком питания и совместим с открытым сервером CUPS.

• Сложность и стоимость производства Inkjet‑принтеров делают их недоступными для массового рынка, несмотря на десятилетние попытки.
• Проект распространяется под лицензией CC BY‑NC‑SA 4.0, что фактически делает его не‑open‑source из‑за некоммерческого ограничения.
• Предлагается использовать рулонный бумажный носитель вместо листов, что упрощает масштабируемую печать, но усложняет подачу и уход за бумагой.
• Обсуждаются проблемы надёжности, обслуживания и конкуренции с лазерными принтерами, а также юридические риски, связанные с использованием картриджей HP.

Я случайно создал множество wigglegram‑ов — коротких стерео‑анимаций, собранных из серийных кадров, сделанных телефоном при поиске «идеального» кадра. Для автоматического поиска похожих снимков я написал скрипт, который вычисляет перцептивный хеш каждого фото (по принципу TinEye) и сравнивает их хэмминговским расстоянием; порог в 10 бит позволяет отбирать пары кадров, которые затем склеиваются в GIF‑ы. Скачивание фото из iCloud занимает время, но хеширование проходит быстро, и после фильтрации остаются только действительно похожие кадры. В итоге получаются сотни wigglegram‑ов, отражающих как города, так и животных.

Полученные wigglegram‑ы охватывают всё: от панорамных видов «Space Mountain» и «Block Island» до милых котов, голубей и даже скульптур, где камера слегка покачивается, создавая кинетический эффект. Некоторые снимки сделаны намеренно, но большинство – чистый случай, превращаясь в короткие «фильмы» без привычного стерео‑эффекта. Скрипт доступен на GitHub, его можно запустить на macOS‑Mac, подключив iCloud‑библиотеку, или указать обычную папку с фотографиями. В конце примечания автор поздравил себя с днём рождения, опубликовав анимацию «happy birthday ig». Это простой способ превратить хаотичные фото в забавный визуальный контент.

• Существует несколько способов создания wigglegram: съёмка сразу несколькими объективами или генерация перспективы из одного снимка.
• Для работы используют готовые библиотеки (например, mpl_stereo) и кастомные камеры, включая решения на Raspberry Pi и скрипты для поиска дубликатов в фотоархивах.
• Качество эффекта зависит от выравнивания кадров и скорости анимации; некоторые пользователи отмечают головокружение и дискомфорт при слишком быстром движении.
• Технические детали включают использование Live Photos, dithering для экономии места, возможность интерактивного параллакса и сравнение с традиционными 3D‑форматами.

Автор представляет ежегодную сборку компактного 8-отсечного DIY NAS объёмом менее 20 литров: TrueNAS 25.10.1, Intel Core 3 N355, 32 ГБ DDR5 RAM, 10GbE-сеть. Это 14-я итерация с 2012 года, ориентированная на его критерии: малый форм-фактор, минимум 6 отсеков (учитывая рост ёмкости HDD), низкопотребляющий интегрированный CPU для круглосуточной работы и потенциал homelab для VM/контейнеров.

Рынок компонентов ухудшается: растут цены на HDD, SSD (график 1 ТБ NVMe), RAM; ожидается дефицит Intel CPU и материнок Topton. Выбрана Topton N22 Mini-ITX (~$200 на AliExpress): 8xSATA3, 2xM.2, 1x10Gbps + 2x2.5Gbps. Автор советует закупаться заранее, подчёркивая: "Экономика sucks, и цены отражают это".

• Обсуждение DIY NAS-билда за ~$1k (Jonsbo N3, Ryzen 5500GT, LSI 9207-8i): хвалят за цену и SAS-поддержку, критикуют за энергопотребление, отсутствие ECC и ненадёжность китайских плат (AliExpress).
• Альтернативы: Odroid H4/N100DC-ITX, б/у enterprise-железо (eBay), готовые NAS (Synology, UGREEN, QNAP), Raspberry Pi; советы по кейсам (Fractal Node 804 лучше Jonsbo), ОС (FreeBSD вместо TrueNAS).
• Проблемы: частые перестройки (каждый год?), пыль/охлаждение, отсутствие hot-swap/ECC/10G, affiliate-ссылки в блоге без раскрытия; цены HDD/SSD растут, DIY не всегда дешевле prebuilt.
• Дополнительно: переход на NVMe для скорости, tape для архива, ZFS-пулы из Barracuda, вопросы о RAM для чистого NAS и плане на пожар.

Roc Camera — это устройство, призванное вернуть магию фотографии в эпоху AI и цифровых манипуляций. Камера использует сенсоры, нулевое доказательство знаний и защищенную среду для подтверждения подлинности снимков, позволяя фиксировать верифицированно реальные моменты. В комплекте 4-дюймовый экран, 16MP Sony сенсор, Raspberry Pi 4, аккумулятор 4000mAh и система бесперебойного питания.

Процесс работы включает три этапа: съемку уникального кадра, создание ZK-доказательства метаданных сенсора и верификацию через SDK. Камера позиционируется как ответ на проблему потери ориентации в цифровом мире, где реальность смешивается с AI-шумом и подделками. Сейчас устройство находится в бета-тестировании (вторая партия открыта), срок поставки 2-3 недели, цена $399.

• Обсуждение показало, что камера с ZK-доказательствами вызывает больше вопросов, чем решает: отсутствие удобства, высокая цена, неясность, как именно она решает проблему доверия к фото, и что мешает просто сфотографировать экран с искусственным изображением.
• Участники также отметили, что вместо покупки дорогой и неудобной камеры можно просто сфотографировать на плёнку, а затем отсканировать и получить те же самые "доказательства".
• Кроме того, было подчеркнуто, что в будущем подобная функция может быть встроена в смартфоны, что делает отдельную камеру ещё менее практичной.
• Также было высказано мнение, что вместо того, чтобы продавать устройство, компания может предложить программное обеспечение как услугу, что может быть более практично.

Эндрю Шмеляун создал систему, позволяющую незнакомцам отправлять ему сообщения через чековый принтер. Он вдохновился другом, у которого на сайте была похожая функция, но хотел сделать её более физической. Эндрю использовал старый термопринтер Epson TM-T88IV, купленный на eBay за $50, который работает за счёт нагрева специальной бумаги, покрытой термочувствительным веществом. Поскольку принтер не распознаётся его Mac Mini, он подключил его к Raspberry Pi 4.

Для реализации проекта Эндрю выбрал PHP с фреймворком Laravel, создав сайт с простой формой без JavaScript. Система сохраняет сообщения в базу данных на случай, если принтер выйдет из строя или закончится бумага. Принтер имеет ограниченный набор символов (только стандартный алфавит, цифры и базовые знаки клавиатуры), поэтому сообщения проходят валидацию на предмет специальных символов. Ширина текстового поля соответствует ширине печати (42 символа).

• Пользователи делятся опытом с дешёвыми китайскими термопринтерами, драйверы и библиотеки для них, а также вспоминают проект Little Printer и другие попытки сделать «интернет-подключённые» термопринтеры.
• Обсуждаются вопросы безопасности при работе с термобумагой, влияние BPA и аналогичных пластификаторов, а также трудности с поставками безопасной бумаги.
• Участники делятся личным опытом: кто-то использует принтер как «интернет-факс», кто-то печатает стикеры из чека, кто-то пытается повторить Little Printer.
• Поднимается вопрос о том, что такие проекты могут быть использованы для печати зинов и других офлайн-контента.
• Также обсуждается, что при должном подходе можно было бы сделать такие проекты более доступными и устойчивыми к спаму и злоупотреблениям.

Andrej Karpathy запустил NanoChat, проект, позволяющий запускать мощные чат-модели ИИ на недорогих локальных устройствах, таких как Raspberry Pi. NanoChat использует эффективные методы для работы на устройствах с ограниченными ресурсами, не требуя мощного сервера или облачных сервисов. Это открывает возможности для разработчиков и любителей создавать чат-приложения с ИИ, которые работают локально, без необходимости в постоянном подключении к интернету или дорогой инфраструктуре. Проект особенно полезен для образовательных целей, прототипирования и сценариев, где важны конфиденциальность и автономность.

• Обсуждение вращается вокруг того, что Андрей Карпати (Andrej Karpathy) опубликовал репозиторий nanochat, который, по его словам, позволяет за 100 долларов обучить модель на 124M параметров за 4 часа на 8xH100.
• Участники обсуждения подчеркивают, что это не «обучение за 100$», а аренда GPU за 100$ в час, и что репозиторий в первую очередь демонстрирует, как можно обучить модель, а не предоставляет доступ к вычислительным ресурсам.
• Некоторые участники спрашивают, можно ли использовать этот репозиторий для тонкой настройки существующих моделей, и Карпати отвечает, что это возможно, но требует дополнительных усилий.
• Также обсуждается, что обучение на собственных данных может быть дороже, чем обучение на открытых данных, и что для этого потребуется большее количество вычислительных ресурсов.
• В конце обсуждение сместилось к тому, что Карпати в своих видео и твитах продолжает вдохновлять людей изучать и развивать свои проекты, и что его вклад в открытое образование и исследовательскую свободу важен.

Tangled — это новая платформа для совместной работы с Git, построенная на AT Protocol. Вместо централизованных серверов она предлагает «узлы» — лёгкие headless-серверы, которые можно поднять на Raspberry Pi. Узлы могут быть как однопользовательскими, так и мультитенантными, а весь «интерфейс» консолидируется в единое веб-приложение на tangled.sh. Проект декларирует три принципа: полный контроль над данными, низкий порог входа и не вмешательство в UX. Пока что доступ осуществляется по инвайтам в IRC-канале #tangled на libera.chat.

• Обсуждение вращается вокруг трёх тем: децентрализация, монолитные платформы vs. модульные сервисы и экономика открытого исходного кода.
• Участники обсуждают, как сделать git более децентрализованным, но при этом не теряя удобства и не создавая барьеров для входа.
• Обсуждается, как избежать блокировок и цензуры, и как при этом не терять удобство и не платить за хостинг.
• Также поднимается вопрос о том, как избежать vendor lock-in и как при этом не терять удобство и не платить за хостинг.

Создание кластера из 10 Raspberry Pi CM5 за $3000 оказалось спорным решением. Хотя сборка обеспечила 160 ГБ оперативной памяти и 10-кратный прирост производительности в тесте HPL (325 Gflops при 130 Вт), энергоэффективность лишь ненамного превзошла более мощный кластер на базе Framework. Основная проблема — неспособность использовать iGPU для ускорения AI через Vulkan в llama.cpp, что ограничило инференс моделей медленными CPU. Попытка запуска крупной модели Llama 3.3:70B провалилась: кластер не справился даже с генерацией 16 токенов из-за архитектурных ограничений распределённой обработки.

Практический вывод: такие системы подходят лишь для узких сценариев параллельных вычислений, но бесполезны для современных AI-задач. Автор отмечает, что за два года ожидания поставки железо устарело, а альтернативы вроде Xerxes Pi на Kickstarter лишь повторяют эту рискованную модель.

• Сборка кластера из Raspberry Pi рассматривается как дорогостоящее и непрактичное, но интересное для обучения и экспериментов хобби, а не как эффективное решение для высокопроизводительных вычислений.
• Для серьёзных задач ИИ и распределённых систем рекомендуется использовать мощные CPU/GPU, виртуализацию или аренду облачных ресурсов, а не низкопроизводительные одноплатные компьютеры.
• Кластеры на Raspberry Pi могут быть полезны для образовательных целей, тестирования программных интерфейсов (например, MPI, Kubernetes) и управления лёгкими контейнерами, но не для нагрузок, требующих высокой пропускной способности или вычислений.
• Экономическая нецелесообразность сборки кластера из Pi для производительности подчёркивается высокой стоимостью, низкой эффективностью и доступностью более мощных и дешёвых альтернатив (например, GPU, NUC, MacBook).
• Автор исходного обсуждения получил ценный опыт и материалы для контента, но проект не оправдал ожиданий по производительности, особенно в задачах LLM-инференса.

Qwen3 30B A3B Q40 на 4×Raspberry Pi 5 8 ГБ

• 30-миллиардная модель запущена на кластере из четырёх Pi 5.
• Использован формат Q40 (40% квантование), суммарно ~19 ГБ ОЗУ.
• Скорость генерации: 1,1 токен/с при 128-к контексте.
• Сеть — Gigabit Ethernet, трафик между узлами 200–300 Мбит/с.
• Питание: 5 В 5 А на каждую плату, общая мощность ≈ 60 Вт.
• Охлаждение: радиаторы + 30-мм вентиляторы, температура 60–65 °C.
• Проект полностью open-source, собран за 2 часа.

• На кластере из 4×Raspberry Pi 5 запустили 30B-MoE-модель (3B активных параметров) и получили 13 токен/с при 4-битной квантизации.
• Участники сравнили цену/производительность с GPU, старыми x86-мини-ПК и RK3588-SBC: у Pi самая низкая энергоэффективность и дороговато за такую скорость.
• Главный интерес — «доказательство концепции» распределённого инференса: tensor-parallelism по Ethernet, максимум узлов = числу KV-голов модели.
• Сеть (1 Gb/s) пока не узкое место, но рост требует 2ⁿ узлов и сталкивается с латентностью и NUMA-эффектами.
• Кому-то идея нравится как дешёвый edge-LLM без интернета, другие считают проект игрушкой и советуют докупить used GPU или M4-Mac mini.

• Почему Pi?
  На слабом железе быстрее всплывают ошибки конфигурации, поэтому эксперимент с TrueNAS на Pi 5 — отличный способ учиться.

• Проблема: нет UEFI
  Pi официально не поддерживает UEFI. Используем форк rpi5-uefi.

• Подготовка Pi 5

  1. Обновите EEPROM до ≥ 2025-06-09 (sudo rpi-eeprom-update -a, при необходимости переключитесь на beta-канал).
  2. Скачайте последний релиз rpi5-uefi, распакуйте содержимое .zip в FAT32-раздел microSD.
  3. Вставьте карту, подключите HDMI, включите Pi. Должен появиться EDK2 Boot Manager.

• Установка TrueNAS

  1. Скачайте ARM-образ TrueNAS (например, 25.04.2) с truenas-releases.jmay.us.
  2. Запишите ISO на USB-накопитель (Etcher).
  3. Загрузитесь с USB через UEFI Boot Manager.
  4. Установите TrueNAS на любой диск, кроме microSD и установочной флешки (второй USB или NVMe).

• Кто-то давно отказался от TrueNAS/FreeNAS в пользу самостоятельной настройки Samba+NFS+ZFS на мини-ПК.
• Многие считают Raspberry Pi слабым и ненадёжным для NAS: проблемы с SATA/USB, отсутствие ECC, низкая пропускная способность.
• Другие успешно годами держат Pi-4 с Ubuntu+Samba+Jenkins, но используют внешние USB-хабы и не нагружают систему.
• TrueNAS критикуют за громоздкий UI, «лагающие» бэкапы Time Machine и лишний оверхед на слабом железе.
• Часть участников предпочитают готовые решения (QNAP, Synology) или Proxmox+ZFS на Intel N100: быстрее, стабильнее, проще.

OpenMower — проект превращения недорогих серийных газонокосилок-роботов в умные устройства с точной навигацией RTK-GPS.

• Цель: дать старому «железу» современные функции — карты, зоны, маршруты, автопарковку.
• Что внутри: полностью открытая прошивка, платы и 3D-печатные крепления; заменяем только «мозги», оставляя моторы и датчики.
• Требования: базовая газонокосилка (Flymo, Gardena, Worx и др.), плата-основа на Raspberry Pi 4, RTK-модуль, внешняя антенна.
• Функции:
  • планирование маршрутов по векторной карте;
  • работа по зонам и расписанию;
  • возврат на зарядку и продолжение с места остановки;
  • OTA-обновления и веб-интерфейс.
• Сборка: подробные инструкции и BOM в репозитории; сообщество в Discord помогает с отладкой.
• Лицензия: GPL-3.0, все файлы и схемы свободны.

• Кто-то считает, что «все современные газонокосилки ездят хаотично», но большинство пользователей отвечают: случайный алгоритм работает отлично, а провод периметра надёжен и дешёв.
• Аппаратное обеспечение у Husqvarna, Mammotion, Sunseeker и др. хвалят, но ПО всё ещё «сырое» и требует доработок.
• OpenMower заменяет «мозги» готового шасси RTK-GPS и открытым ПО; поддерживаемый корпус в США почти не продаётся.
• Поднимаются вопросы безопасности (ежи, камни, ответственность), цены (как подержанная машина) и необходимости косить только днём.
• Кто-то мечтает о солнечных микро-триммерах, другие просят RC-версию или модуль для сбора мусора.