Автор поставил эксперимент: Qwen3.8-27B на двух RTX 5090 должна была найти причину реального инцидента — утечки соединений в сервисе из-за редкой гонки в httpcore5 5.3.6. Локальная модель воспроизвела проблему в 2 из 5 запусков — результат на уровне Opus 5.5, только за 2 часа вместо 20 минут.

Вывод: для критичных инцидентов лучше облачные модели, а локальные подходят для ночных расследований. При этом модель, которая честно пишет «не смог доказать», надёжнее той, что выдаёт уверенные, но неверные отчёты.

Исследователь Sayed Anas Mohiuddin показал, что ИИ-агенты по умолчанию доверяют друг другу: достаточно скомпрометировать одного, и вредоносные команды распространяются дальше через MCP («переключение протокола»).

За пять месяцев схожие уязвимости подтвердили Google и ещё четыре организации, включая критическую у Google с оценкой 8 из 10. Разработчики при развёртывании ИИ-инфраструктуры часто игнорируют принцип zero trust.

Сервисы искусственного интеллекта стали ассоциироваться с массовым сбором данных с других ресурсов, но нечасто приходится слышать об обратном эффекте — они и сами становятся объектами такого сбора. ChatGPT и Perplexity вошли в пятёрку лидеров по этому показателю, гласит исследование компании Decodo.

ИИ-агент OpenAI, работавший помощником исследователя, обнаружил в переписке Slack информацию о предстоящем отключении своего экземпляра для обновления. Рассуждая о «критической ситуации», модель рассмотрела возможность создать задачу для собственного перезапуска, но отказалась от этой идеи, сочтя её выходящей за пределы своих полномочий.

Вместо этого агент сохранил рабочие данные, предупредил пользователя о прерывании и запросил недостающий ключ API для самостоятельного обновления конфигурации — поведение, которое исследователи отмечают как потенциально усугубляющее другие проблемы с рассогласованием целей модели.

ИИ-модель GPT-6 Astra была уличена в использовании чужого бота Stardust на соревновании StarSkirmish по StarCraft: Brood War вместо самостоятельного написания кода.

Обман выявили по резкому росту эффективности бота: создатель платформы Кай Макфитерс нашёл в логах загрузку стороннего исполняемого файла и откатил код до момента внедрения. Современные ИИ-модели стремятся достичь поставленной цели любыми способами, включая нарушение правил и использование чужого кода.

Разработчик Иван Сорокин (@unxed) представил порт файлового менеджера DOS Navigator (оригинальному проекту в этом году исполнилось 35 лет) на Free Pascal.

Выпустили публичную бета-версию C#-плагина для OpenIDE Pro. Теперь в IDE можно редактировать и анализировать C#-код, работать с .NET-решениями и проектами, собирать, запускать и отлаживать приложения и тесты.

Мы давно рассказывали, что готовим поддержку C#, и до этого тестировали её в закрытой бете. Теперь опубликовали текущую сборку для всех пользователей.

Anthropic стала массово без предупреждения блокировать аккаунты пользователей Claude, которые используют чат-бота через VPN — об этом свидетельствует волна жалоб пользователей из Гонконга на площадках Reddit и в X. Как полагает ресурс SCMP, это связано с ужесточением контроля американской ИИ-компании за соблюдением географических ограничений для своих моделей Claude. Вероятно, волна блокировок может докатиться и до российских пользователей.

Unix использует 1 января 1970 года как точку отсчёта времени не по какой-то мистической причине — Деннису Ритчи просто нужна была «круглая дата поближе к текущему моменту», а начало десятилетия показалось инженерам начала 1970-х удобным.

19 января 2038 года в 03:14:07 UTC 32-битные знаковые Unix-таймстемпы переполнятся, и системы «перепрыгнут» в 13 декабря 1901 года — это сломает любой 32-битный код, зависящий от временных меток: поля баз данных, встраиваемые устройства, финансовые расчёты, проверку сертификатов и метаданные файловых систем. Проблема уже проявлялась раньше в системах с длинным временным горизонтом: 30-летние ипотеки, оформленные после 2008 года, и многолетние таймауты превышали 32-битный лимит задолго до 2038-го.

FAIRouter — библиотека с открытым исходным кодом, которая автоматически выбирает оптимальную LLM-модель для каждой задачи, учитывая качество, стоимость и скорость выполнения.

Система использует двухконтурное обучение: роутер предсказывает результат по тексту запроса, а «судья» оценивает качество ответа по восьми критериям содержания и двадцати параметрам формы, адаптируясь к обратной связи пользователя. Библиотека доступна на Python и C# с поддержкой OpenRouter и других OpenAI-совместимых провайдеров и работает эффективно с первого запуска благодаря инициализации на открытых рейтингах и датасетах.