Экономика кинетического террора: Supply-Chain атаки

Сентябрь 2024 года, Ливан. Тысячи пейджеров Gold Apollo и раций Icom одновременно взрываются в руках, на поясах и в машинах. Итог: десятки погибших и тысячи искалеченных. Это не магия и не «взлом батареи» — это блестящая и жестокая логистическая операция спецслужб, известная как «Грим Бипер».

Никто не взламывал готовые устройства. Израильская разведка выстроила глубокую фейковую цепочку поставок (через подставные компании вроде венгерской BAC Consulting), чтобы легально производить девайсы по лицензии тайваньского бренда. Внутрь литий-ионных аккумуляторов на заводе вшивалось около 3 граммов военного пластида ТЭН (PETN) и безметалловый воспламенитель.

Рентгены в аэропортах ничего не видели. Детонация запускалась кодированным радиосигналом, имитирующим важное сообщение: устройство пищало, выдавая ошибку (ERROR), заставляя жертву поднести экран к лицу, после чего алгоритм давал искру. Идеальный, экономически выверенный аппаратный троян. Вы уверены, что в вашем смартфоне с маркетплейса только кремний и литий?

Параллельно с этим на рынке цветет шпионское ПО (вроде израильского Pegasus), которое заражает ваш телефон методом zero-click (без единого клика с вашей стороны). Вы можете не переходить по ссылкам, заклеить камеру изолентой и удалить мессенджеры, но система вас уже оцифровала и взяла на прицел.

Как всегда с иронией мы разобрали всю анатомию этого процесса в приложенном ролике.

Не обязательно устанавливать на свой комп. Более того, это не гарантирует работу.
лучше дистанционные методы

WhisperDesktop, Google Colab и три часа терпения при транскрипции видео


Зачем вообще понадобился транскрипт

Мы провели рабочую встречу по нашей симуляционной модели здоровья работников — запись осталась на YouTube. Нужно было извлечь из неё планы и идеи, которые обсуждались, и оформить в документ. Задача простая: получить текст из часового видео.

Первая попытка — попросить YouTube сделать это за нас. Нажимаем три точки под видео, ищем «Открыть транскрипцию»…
Почему то картинки не вставляются,воспользуюсь онлайн сервисом.


YouTube, три точки под видео — пункта «Открыть транскрипцию» нет. Видео загружено несколько часов назад, субтитры ещё не сгенерированы.

Пусто. Видео только что загружено, YouTube ещё не успел обработать аудио. Ждать не вариант.

Скриншот до текста.


Попытка первая: WhisperDesktop

Скачали WhisperDesktop (GUI для whisper.cpp) и модель ggml-medium.bin (~1.5 ГБ). Запустили. Первые секунды — тишина. Потом консоль начала выдавать что-то очень неприятное:


🖼 Скриншот 2 после текста— WhisperDesktop с ошибкой

WhisperDesktop Debug Console: бесконечный поток «unFullImpl: failed to generate timestamp token - skipping one second». Программа не падает, но и не работает.

Строчки сыпятся одна за другой, транскрипт пустой. Это известная проблема с GPU через DirectCompute — программа пропускает каждую секунду аудио. Лечится отключением GPU в настройках, но тогда 55-минутное видео будет обрабатываться несколько часов. Ищем быстрее.


Попытка вторая: Google Colab

Google Colab даёт бесплатный GPU в браузере без установки чего-либо. Создали новый notebook, три ячейки.

Ячейка 1 — установка зависимостей:

!pip install openai-whisper

!apt install ffmpeg -y

🖼 Скриншот 3 и тут и после текста— Colab установка

Colab устанавливает openai-whisper и зависимости. Процесс занял ~3 минуты.

Ячейка 2 — загрузка файла прямо с компьютера:

from google.colab import files

uploaded = files.upload()

filename = list(uploaded.keys())[0]

🖼 Скриншот 4 — загрузка файла 100%

Файл «встреча по медицине.mp4» (85 МБ) загружен на сервер Colab — 100% done. Загрузка ~5 минут.

Ячейка 3 — транскрипция:

import whisper

model = whisper.load_model("medium")

result = model.transcribe(filename, language="ru")

with open("transcript.txt", "w", encoding="utf-8") as f:

f.write(result["text"])

files.download("transcript.txt")


Процесс: час ожидания

Colab сразу предупредил: «FP16 is not supported on CPU; using FP32 instead» — GPU не выделился, работаем на процессоре. Примерно вдвое медленнее, но всё равно быстрее локальной машины с проблемным GPU.

🖼 Скриншот 5 — транскрипция стартует

Whisper загрузил модель medium (1.42 ГБ) и начал транскрипцию. Таймер: 4 минуты 31 секунда — только начало.

Оставляем вкладку открытой. Через 38 минут заглядываем — всё ещё работает:

🖼 Скриншот 6 — 38 минут ожидания

Всё ещё работает. Таймер: 22:55. Colab параллельно выдаёт диалог про несохранённые изменения — нажимаем «Отмена», транскрипция продолжается.

Ещё через ~20 минут — готово:

🖼 Скриншот 7 — готово, галочка ✓

В правом верхнем углу — галочка ✓: ячейка выполнена. Суммарное время ~1 час. Браузер автоматически скачал transcript.txt.


Качество результата

Модель medium на русском языке работает хорошо. Типичные проблемы:

Имена собственные — расшифровывает фонетически: «AnyLogic» → «Энилоджик»

Технические аббревиатуры — угадывает через раз

Слова-паразиты и оговорки — транскрибирует честно, всё подряд

Перекрёстный разговор — склеивает в кашу

Для извлечения смысла и структурирования идей — вполне достаточно.


Что использовать когда

YouTube субтитры — если можете подождать несколько часов/дней

WhisperDesktop локально — если GPU без проблем с DirectCompute

Google Colab — быстро, без установки, ~1 час на CPU или ~15 мин на GPU

openai-whisper локально через pip — если есть RTX 30xx+: whisper video.mp4 --language Russian --model medium

Транскрипт нам нужен был для анализа рабочей встречи по математической модели здоровья сотрудников. О самой модели — в других постах.1

Раскрыта новая модель LocateAnything-3B (https://huggingface.co/nvidia/LocateAnything-3B), основанная на методе параллельной генерации координат (Parallel Box Decoding) для задач визуальной привязки и обнаружения в VLM.

Существующие модели генерируют координаты рамок как одномерную последовательность токенов, что делает процесс медленным и не учитывает геометрическую связность.

Для решения проблемы каждую ограничивающую рамку (или точку) начали предсказывать как единый блок за один прямой проход, сохраняя геометрическую согласованность и снимая узкое место последовательной генерации.

Источником данных стал масштабный датасет LocateAnything-Data (138 млн обучающих примеров) для разнообразных сценариев локализации.

Добавили три режима, чтобы реализовать быстрый (параллельный MTP), медленный (авторегрессионный NTP) и гибридный (с автоматическим возвратом к NTP при неуверенности или нарушении формата) вывод.

В результате модель до 2,5 раз ускорила генерацию, улучшила точность (особенно при высоких IoU) и добилась новых state-of-the-art на LVIS, COCO, ScreenSpot-Pro, DocLayNet и других.

В серии Xiaomi MiMo появилась передовая открытая модель распознавания речи MiMo-V2.5-ASR (https://huggingface.co/XiaomiMiMo/MiMo-V2.5-ASR).

Она может распознавать китайский и английский, включая диалекты (у, кантонский, хоккиен, сычуаньский и др.), используя кодовое переключение без языковых тегов, распознавать пение даже с аккомпанементом, а также справляться с сильным шумом, далёким захватом и наложением голосов (многоговорящие сценарии). При этом она выдаёт точную транскрипцию сложного контента, включая классическую поэзию, термины, имена и техническую лексику со встроенной смысловой пунктуацией без постобработки.

Обучали её на крупномасштабном mid-training, качественном SFT и новых алгоритмах обучения с подкреплением (RL).

В результате модель хорошо себя показала на публичных и внутренних бенчмарках, превосходя Qwen3-ASR, Seed-ASR 2.0, Whisper Large V3, FunASR-1.5 и Gemini-3.1-Pro по среднему WER во всех категориях.