«сколько байт в мегабайте?» это главный эффект Манделы в айтишке

Вы скажете:

Всё просто. Данные в компьютере основаны на двоичной системе, и в байте число бит — это степени двойки, поэтому мегабайт это 2^20 то есть 1048576.

Но самом деле в мегабайте миллион байт 😊

➡️ Всё дело в системе СИ, в которой «мега» означает десятичную систему счисления и обозначает миллион.

➡️ Ранние ОС действительно использовали систему подсчёта данных, основанную на степенях двойки, и этот подход до сих пор используется для подсчёта, например, количества доступной оперативной памяти. Но для разрешения конфликта между традиционным и «компьютерным» использованием этих древнегреческих приставок швейцарская Международная электротехническая комиссия (IEC) в 1998-1999 годах ввела терминологию — киби-, меби-, гиби-, теби- и так далее — для того, чтобы отличать одно от другого и устранить растущую путаницу среди пользователей.

➡️ Но путаницы стало больше! Покупаешь хард — на коробке написано 500 ГБ, а на самом деле там 465 ГиБ. (Маркетологи выгоднее считать так). На плашках RAM, наоборот, «честные» гибибайты: сколько указано, столько и получаешь, только пишут всё равно 16 GB, а не 16 GiB.

А ещё есть провайдеры, которое скорости измеряют в мегабитах в секунду, а не мегабайтах (так скорость выглядит в 8 раз больше) 🤷‍♀️

Запомните, потом будете щеголять этими фактами перед коллегами

#база

Тысячи готовых навыков для Claude и ChatGPT одним кликом

SkillsMP — маркетплейс для Agent Skills и модульных расширений кодинг‑ассистентов вроде Claude, Codex CLI и ChatGPT. Он агрегирует тысячи скиллов из GitHub в удобный поисковик с простой установкой в формате SKILL.md с инструкциями, скриптами и шаблонами. ИИ применяет их автоматически по контексту.

Возможности:

0️⃣ Быстрый поиск и выбор: Семантический поиск, фильтры по категориям (DevOps, data analysis, frontend, business), предпросмотр.

1️⃣ Лёгкая установка: One-click ZIP, CLI-команды для Claude/Codex.

2️⃣ Добавление экспертизы: Получайте готовые workflows, лучшие практики, шаблоны для фич и анализа данных.

3️⃣ Масштаб и разнообразие: 25 000+ скиллов по 20+ категориям (от DevOps до e-commerce).

К 2026 году стремительно устаревает не только софт, но и целые пласты профессиональных компетенций. Пока все говорят о важности ИИ и гибких навыков, пора честно признать: некоторые «прокачанные» умения уже превратились в карьерный балласт.

Что будет вас тормозить в 2026 году:
➡️ Фетишизация отдельных технологий
Умение перечислять в резюме модные слова, не понимая, как они решают бизнес-задачу.
➡️ Иллюзия исключительности
Вера в то, что можно стать незаменимым специалистом, просто автоматизируя рутину, без умения мыслить системно и создавать новое.
➡️ Иммунитет к коду
Гордая позиция «я – гуманитарий», которой оправдывается непонимание цифровых продуктов.
➡️ Архивация вместо адаптации
Стремление единожды освоить «золотой стандарт» и следующие 10 лет применять его ко всем задачам, игнорируя смену парадигм.

Если вы узнали в этом списке себя или коллег — не страшно. Смело открывайте статью с планом прокачки навыков, которые помогут остаться на плаву, и проверяйте, как адаптироваться под современные реалии.

В telnet нашли уязвимость с root-доступом в одну строку — она скрывалась в коде 11 лет

В telnetd (GNU InetUtils) нашли опасную уязвимость CVE-2026-24061 (CVSS 9.8). С мая 2015 года переменная USER='-f root' пропускает пароль и даёт root-доступ.

В чём опасность

Баг живёт 11 лет с релиза 1.9.3. Атака до аутентификации, без брутфорса. GreyNoise видит сканирование с 21+ IP. Telnet-сервера до сих пор в проде и доступны из интернета.

Что делать

🔘 Отключить telnetd
🔘 Обновить GNU InetUtils
🔘 Заменить на SSH
🔘 Закрыть 23/TCP для всех, кроме доверенных IP

Telnet мёртв и пора его хоронить?

SSD дорожают — данные уходят в облако

За последний квартал 2025 года цены на локальные SSD выросли на 15–20%. На этом фоне Рег.облако запустил сетевые диски — облачное блочное хранилище.

Сетевой диск подключается к виртуальной машине как обычный диск — без API и объектной логики.

Что это даёт:
🔘данные не привязаны к конкретному серверу;
🔘диск можно переподключать или удалять без пересоздания ВМ;
🔘объём увеличивается без простоев;
🔘хранилище масштабируется отдельно от вычислений.

По сути, это блочное хранилище (не S3) с поддержкой обычных файловых систем и меньшими задержками при работе с данными.

Масштабирование не ограничено ёмкостью отдельного сервера и происходит без простоев — удобно для логов, бэкапов, медиаконтента и больших наборов данных, включая аналитику и ML-задачи.

В основе — распределённая система хранения на базе Ceph с тройной репликацией и фиксированной производительностью: до 2000 IOPS и 500 МБ/с.

В итоге вы получите масштабируемое и отказоустойчивое хранилище для облачных сервисов.

Это #партнёрский пост

🔄 Артефакт №1. Категория: «Город» 🔄

От кого только не прилетает самокатчикам. Иногда за дело, иногда нет. Не нам судить, но мы обсудим, что делать, например, с явными нарушителями? Как их контролировать, если операторы кикшеринга не пускают в свои данные? Закрывать глаза на хаос на тротуарах или тотально запрещать?

Мы получили кейс, где за 4 месяца команда из 7 человек создала платформу мониторинга, которая фиксирует самокатовские нарушения. Их задачей было сделать инструмент для структурирования данных, чтобы чиновники и операторы нашли общий язык.

🤩 Что скрывает этот артефакт? 🤩
🤩 Смекалистый метод охоты за данными, когда реальные видео с камер недоступны.
🤩 Принципы, которые помогли сделать мониторинг более объективным.
🤩 Гибридный R&D: тактика, которая помогла запустить MVP за четыре месяца, вместо шести.

Планируем поделиться с вами целой пачкой интересных артефактов. Ставьте 👀, если любопытно узнать их все.

NanoLang — язык программирования, созданный для ИИ

Сооснователь FreeBSD Jordan Hubbard выпустил язык, специально заточенный под генерацию кода нейросетями.

Зачем новый язык?

LLM часто ошибаются из-за неоднозначностей синтаксиса. NanoLang решает это радикально:

🔘 Префиксная нотация — никакого приоритета операторов. (+ a (* b c)) всегда читается однозначно
🔘 Обязательные тесты — каждая функция требует shadow-блок с проверками. Код без тестов не компилируется
🔘 Транспиляция в C — нативная производительность на выходе
🔘 18 ключевых слов против 32 в C — минимум синтаксиса для LLM

Simon Willison уже протестировал: Claude Opus с первого раза не скомпилировал код, но с Claude Code и доступом к примерам — справился.

Компилятор уже компилирует сам себя и готов к использованию. Версия 2.0.14.

⚪️ Артефакт №2. Категория «Дизайн» ⚪️

Дашборд — это скучно до того момента, пока к его визуализации не подключат гигантский экран.

Сегодняшняя история о команде, которая превратила обычную статистику посещения фестиваля в генеративное шоу. Их задача звучала как вызов: сделать так, чтобы было невозможно оторвать глаз от дашбордов.

Так они создали интерактивную инсталляцию, где посетители, сами того не зная, становились частью цифрового арт-объекта.

🤩 Что скрывает этот артефакт? 🤩
🤩 Способ связки 40 потоков с YOLO v8, PostgreSQL и движок визуализации без лагов в один конвейер.
🤩 Задачу дедубликации тысяч JSON-записей от нейросетей.
🤩 Борьбу с «сырыми» данными от камер и их преобразование в чистую структуру для базы и красивого рендера.

Следующий артефакт представит категорию «Виртуализация». Не пропустите.

Git Shitstorm: как устроить кошмар наяву любому разработчику

Знаете это ощущение, когда баги появляются из ниоткуда и никто не может объяснить, откуда они взялись?

Разработчик Einenlum создал инструмент Git Shitstorm — он незаметно портит git-историю коллеги.

Как это работает

Пока сосед по офису отошёл, скачиваете бинарник и добавляете alias:
alias git="git-shitstorm && git"

В 90% случаев ничего не происходит. Но в оставшиеся 10%:
1. Берёт случайные строки из случайной ветки
2. Вставляет их в файл другой ветки
3. Коммитит от имени автора

А вот настоящий кошмар: каждый раз, когда разработчик пытается разобраться через git, он рискует усугубить хаос. Ужастик написан на Go, работает за 15–80 мс — никакой заметной задержки.

📎 github.com/einenlum/git-shitstorm

Трюк выполнен профессионалами, не повторяйте дома. Или в офисе. Ну или как минимум без разрешения.

Когда OpenAI выпускает продукт как у тебя, остаётся только открыть код

Представьте, что вы месяцами пилите проприетарный продукт: ИИ для работы с научными статьями. Трекшена нет, деньги заканчиваются. И тут OpenAI объявляет свой бесплатный Prism. А ваш проект не просто решает похожие задачи, а ещё и называется... Prismer.

Что делать?

Команда Prismer выбрала неочевидный путь: выложила весь код на GitHub и перешла к модульной архитектуре. И теперь в опенсорсе есть платформа для исследователей, которая закрывает весь цикл академической работы: от чтения статей до публикации своих.

📎 github.com/Prismer-AI/Prismer

Там такие компоненты (все под MIT и работают независимо):

— Paper Reader. AI-читалка PDF с графами цитирования и синхронным просмотром нескольких документов

— Context Cloud. Облачное хранилище контекста с SDK, чтобы подключать к своим проектам

— LaTeX-редактор. С live preview и шаблонами IEEE, ACM, Nature, arXiv

— Data Analysis. Jupyter-ноутбуки с выполнением Python/R прямо в браузере

— Multi-Agent System. Оркестрация специализированных AI-агентов для исследований

Киллер-фича: верификация цитат

LLM-ки галлюцинируют ссылки, это известная проблема. Prismer решает её через Reviewer Agent, который проверяет каждую ссылку по академическим базам (arXiv, Semantic Scholar, CrossRef) до того, как она попадёт в статью.

А что OpenAI Prism?

По сравнению с Prismer — только LaTeX-редактор. Ни чтения статей, ни выполнения кода, ни верификации цитат, ни self-hosted, ни open source.

Непонятно, есть ли шанс у специализированных инструментов рядом с монстрами вроде OpenAI, но хочется верить.