Habr.com

Тёмная сторона эпохи перемен: как Геральт из Ривии сломал канон сказок «Красавица и чудовище», «Русалочка», «Белоснежка». Сказку у Сапковского обычно узнаёшь быстро. А потом становится как-то не по себе. Знакомый сюжет остаётся на месте, но уютная мораль из него куда-то исчезает. Причём Сапковский разбирал фэнтези почти по-инженерному и за пределами художественных текстов. В собственном эссе он раскладывал жанр на архетипы, обязательные ходы и привычку тащить за собой Толкина. В «Ведьмаке» эта работа уже идёт внутри самих историй. Посмотрим, во что у него превращаются знакомые сказки и почему этим дело не ограничивается.

Исследователи из Университета Южного Иллинойса разрабатывают систему, в которой микроорганизмы превращают углерод из пластиковых и сельскохозяйственных отходов в пищевые ингредиенты. Проект µBites придумали для NASA Deep Space Food Challenge, где нужно производить еду при ограниченных ресурсах. Сейчас команда уже печатает на 3D-принтере богатые белком прототипы печенья. PET и растительные отходы сначала обрабатывают методом OHD с помощью воды, кислорода, высокой температуры и давления. Так стойкие материалы распадаются на более мелкие водорастворимые молекулы, доступные микроорганизмам. Генетически модифицированные дрожжи затем превращают эти соединения в белки, жиры и органические кислоты. Дрожжи заодно модифицируют ради питательности и вкуса. Пекарские дрожжи уже научили производить ванильный ароматизатор из растительного сырья, а другой штамм превращает полученный из PET этиленгликоль в бета-каротин, который организм может преобразовывать в витамин A. Сам пластик в пищу не добавляют, потому что сначала PET химически разрушают, а микроорганизмы используют часть полученных молекул как источник углерода. µBites пока остаётся экспериментальной технологией. Разработчики рассматривают систему для длительных космических полётов, подводных лодок и районов стихийных бедствий, где обычное производство пищи затруднено. В дальнейшем они хотят получать с помощью микроорганизмов ещё и крахмал, клетчатку и подсластители.

Где в IT зарплаты растут быстрее всего в 2026 году В IT зарплаты вроде бы продолжают расти — медиана за полгода прибавила 4%, но если разложить рынок по специальностям, общий плюс быстро распадается на очень разные сценарии. Разработчики, например, прибавили всего 1% и оказались среди аутсайдеров по динамике. При этом в некоторых смежных направлениях рост оказался заметно выше, а внутри самой разработки одни специализации и языки прибавили, другие — ушли в минус. Смотрим, где зарплаты действительно выросли.

Номерные радиостанции: «Венона» против «Энормоз», первая шпионско-криптографическая битва Холодной войны 1 февраля 1943 года в Арлингтон-Холле начали системно разбирать советские шифрограммы. Шифр Вернама при строгом соблюдении процедуры обладал абсолютной криптоаналитической стойкостью, поэтому перед американскими специалистами стояла задача, которая математически выглядела неразрешимой. По каналам с таким шифрованием в Москву уходили в том числе сведения по Манхэттенскому проекту. Над массивами сообщений работали криптоаналитики, лингвисты и даже историк, специализировавшийся на языках древней Месопотамии. Именно в этих массивах удалось найти зацепку, которой раньше не было.

Открываем AliceAI-Foundation-80B-A3B-Base — новую языковую модель Яндекса, обученную с нуля Около полугода работы, 80 млрд параметров, из которых активны 3 млрд, 17,5 трлн токенов на основной стадии обучения. AliceAI-Foundation-80B-A3B-Base полностью обучена в Яндексе с нуля, без весов сторонних опенсорс-моделей. За это время команда пересобрала корпус, перебрала архитектурные решения, подобрала гиперпараметры и добавила данные для рассуждений и агентских взаимодействий. Один из самых напряжённых эпизодов начался после пересчёта гиперпараметров по scaling laws. Сначала стали расти MoE-активации, затем резко подскочил loss. Первой гипотезой была ошибка в прогнозе, но тот же эффект удалось воспроизвести на небольшой модели из нескольких широких слоёв. Команда нашла способ стабилизировать обучение, вернулась к предсказанному learning rate и успешно обучила финальную модель. И таких развилок в работе было много. Разработчики примерно вдвое ускорили распределённый шаг оптимизатора, в десятки раз сократили вычисления при отборе фактологических документов и провели отдельную стадию претрейна для развития рассуждений и агентских навыков. В итоговых замерах модель обходит более крупные DeepSeek-V4-Flash-Base и Nemotron-3-Super на многих задачах, а на IMO AnswerBench и LiveCodeBench лидирует среди сравниваемых открытых претрейнов. Какие эксперименты сработали, от каких пришлось отказаться и как модель дошла до финального чекпойнта.