🔐 End-to-end шифрование: как перестать доверять облакам и научиться шифровать

Если вы думали, что там всё просто — шифруешь на одном конце, расшифруешь на другом, то добро пожаловать в реальный мир, где вы на пальцах:

— Попытаетесь передать ключи шифрования так, чтобы их не скомпрометировали по дороге.

— Даже если скомпрометировали, научитесь шифровать каждое новое сообщение новым ключом.

— Когда хакеры тоже так научатся, изобретёте расчет-алгоритмы с двойной защитой и умением «самоисцеляться» после взлома.

— А потом поймёте, что существуют ещё и групповые чаты, где всё это в десять раз сложнее...

— И многое другое.

👉 Читать

#этобаза

Хочешь уверенно проходить IT-интервью?

Мы понимаем, как сложно подготовиться: стресс, алгоритмы, вопросы, от которых голова идёт кругом. Но с AI тренажёром всё гораздо проще.

💡 Почему Т1 тренажёр — это мастхэв?

• Получишь настоящую обратную связь: где затык, что подтянуть и как стать лучше.
• Научишься не только решать задачи, но и объяснять своё решение так, чтобы интервьюер сказал: "Вау!".
• Освоишь все этапы собеседования, от вопросов по алгоритмам до диалога о твоих целях.

Зачем листать миллион туториалов? Просто зайди в Т1 тренажёр, потренируйся и уверенно удиви интервьюеров. Мы не обещаем лёгкой прогулки, но обещаем, что будешь готов!

Реклама. ООО «Смарт Гико», ИНН 7743264341. Erid 2VtzqwP8vqy

#Айти #Собеседование #Т1

🐳 Делаем конкурента DeepSeek R1-Zero на домашней пекарне: метод GRPO в Unsloth

Современные LLM требуют больших вычислительных мощностей для обучения и файн-тюнинга. Однако разработчики Unsloth нашли способ обучать модели с логическим рассуждением (подобные DeepSeek R1-Zero) даже на маломощных видеокартах с ограниченной памятью.

Ключевая особенность Unsloth — поддержка нового алгоритма GRPO, который позволяет моделям развивать логическое мышление без вмешательства человека. Раньше для достижения «момента озарения» на модели Qwen2.5 (1.5B) требовалось две A100 (160 Гб VRAM), но разработчикам Unsloth удалось значительно оптимизировала процесс GRPO, сделав его:

— в 5 раз менее требовательным к видеопамяти (сейчас экономия составляет 80% VRAM по сравнению с HuggingFace + FA2);
— доступным для локального обучения на видеокартах от 7 Гб VRAM;
— совместимым с QLoRA и LoRA, а не только с полным дообучением.

Кроме того, разработчики Unsloth добавили поддержку OnlineDPO, PPO и RLOO.

👉 Читать статью