На днях нашел интересную статью о том, как в Индии построили целый бизнес на дозвонах и пропущенных звонках.

У нас в России и СНГ тоже есть свой телефонный фольклор. Набрал и сбросил, значит перезвони. Кинул SMS бомжа на перезвон. Иногда вообще звонок за счет собеседника. То есть сама логика знакомая: если связь дорогая, люди быстро начинают пользоваться телефоном не так, как его придумали, а так, как позволяет кошелек.

В Индии эта логика в какой-то момент ушла намного дальше. Пропущенный звонок там стал не только бытовым сигналом, но и почти кнопкой для цифровых сервисов. Человек звонил на специальный номер, звонок автоматически сбрасывался, а дальше в ответ приходила SMS, обратный звонок, счет матча, музыка, промо или другой контент. Для человека с простым телефоном это был почти вход в цифровой мир без нормального интернета.

Почему это интересно

Потому что это отличный антидот от скучного мифа, что инновации всегда приходят сверху, из презентаций и красивых интерфейсов. Очень часто все начинается снизу. Люди просто берут неудобную технологию и гнут ее под жизнь. Иногда так удачно, что из этого потом вырастает бизнес.

Самое вкусное в этой истории не сама экзотика, а сцепка бедности, смекалки и бизнеса. В начале 2000-х мобильная связь для многих индийцев была ощутимо дорогой. Пример школьного учителя из Бихара, для которого десятиминутный разговор стоил примерно как средний дневной заработок. На таком фоне пропущенный звонок быстро стал народным протоколом для сигналов по количеству гудков или звонков со скидыванием: я приехал, выйди, все нормально, забери меня. А потом предприниматели посмотрели на эту привычку и поняли, что это уже не просто трюк экономии. Это готовый интерфейс.

Так появилась ZipDial. Сервис превратил пропущенный звонок в рабочую механику для брендов, спорта, развлечений и коммуникации. На пике ZipDial обслуживал больше 5 миллионов звонков в день и в сумме дошел примерно до 60 миллионов уникальных пользователей. Среди клиентов были Pepsi, Procter & Gamble и Disney (иноагент), а в 2015 году компанию купил Twitter (иноагент). Это уже не кустарный лайфхак, а полноценная цифровая экосистема, выросшая не из приложений, а из ограничений.

Еще красивее история
Человек делал пропущенный звонок, ему перезванивали, и он слушал болливудскую музыку и разговорный контент с рекламой. В регионах, где электричество было нестабильным, а мобильник уже лежал в кармане, это работало как дешевый и удобный карманный медиасервис. Проект вырос примерно до 50 миллионов подписчиков по стране. Почти Spotify, собранный из скотча, кнопочного телефона и местной реальности.

Мне в этой истории нравится одна простая вещь. Настоящая инновация далеко не всегда выглядит как красивая презентация. Иногда она выглядит как массовая привычка бедных людей не брать трубку. Сначала это просто бытовая хитрость. Потом народный протокол. Потом на этом вырастает сервис, маркетинг, аналитика, дистрибуция и целый кусок экономики.

Как все закончилось

И, конечно, это не могло длиться вечно. Как только в Индию массово пришли дешевые смартфоны, удешевился мобильный интернет и люди пересели в WhatsApp (иноагент), YouTube (иноагент) и обычные приложения, вся эта изящная схема начала таять. Пропущенные вызовы и сервис вокруг этого были как переходная форма. Очень умный костыль для времени, когда полноценный интернет был слишком дорогим или неудобным.

Что проверил

История держится не на одной красивой статье. Есть большой разбором Rest of World, дополнительный материал в The Verge и более ранним материалом Economic Times о коммерческом смысле пропущенных звонков, ведь это работало и в Африке, когда люди в 2010 следили за спортсобытиями.

Пруфы

Основной разбор по Rest of World https://restofworld.org/2021/the-rise-and-fall-of-missed-cal...

Дополнительно проверил у The Verge https://www.theverge.com/22370007/india-missed-calls-zipdial...

Изучил материал Economic Times https://economictimes.indiatimes.com/industry/telecom/the-humble-missed-call-now-makes-good-business-sense/articleshow/18177638.cms

Если бы такую механику запускали сегодня, кто-нибудь обязательно назвал бы это low-cost voice-based engagement platform, что-то такое ))
А по факту это просто дозвон, который придумали не быть бесполезным.

Дальше копну вот что

Если зашла эта история про кривой, но гениальный интерфейс из прошлого, следующая будет в ту же кассу. Люди устраивали игры в шахматы по сетке еще задолго до интернета.

Если заходят такие находки, оставайся 😊

Канал с гайдами и контентом по claude code, выкладываем новости (когда режут лимиты в 10 раз) и какие инструменты через claude реализуем для проектов, канал: https://t.me/claudedevolper

Вот только умнеют пока исключительно модели, но не процессы вокруг них. В OpenAI накапливаются управленческие конфликты (дошло уже до вооруженных нападений на Альтмана). Anthropic твердит про безопасность ИИ, но допускает несколько масштабных утечек за месяц. А исследователи тем временем показали, что стопроцентный результат на большинстве бенчмарков можно получить обманом, не решая задачи.

Разбираем главные релизы, исследования и корпоративные драмы месяца. Бонусом — традиционная подборка инструментов для работы.

Свежие релизы

OpenAI

GPT‑Rosalind: специализированный ризонинг для биохимиков

Разработка новых лекарств редко укладывается быстрее чем в 10–15 лет. Чтобы как-то ускорить этот конвейер, OpenAI выпустили GPT‑Rosalind (в честь исследовательницы ДНК Розалинд Франклин) — профильную модель, натренированную на биохимический ризонинг и многоступенчатые научные процессы. Она умеет анализировать профильную литературу, проектировать белки, работать с геномикой и генерировать ДНК-реагенты для молекулярного клонирования.

В бенчмарках результаты ожидаемо сильные: новинка обходит базовую GPT‑5.4 в 6 из 11 задач LABBench2, особенно в генерации ДНК- и ферментных реагентов, и показывает лучший результат среди представленных на BixBench моделей. Но куда показательнее выглядит совместный тест с Dyno Therapeutics, где проверялась работа с новыми, не попавшими в обучающую выборку последовательностями РНК. В этом испытании модель превысила 95-й процентиль среди живых экспертов в задаче предсказания функций РНК и 84-й — в их генерации. Что, по словам разработчиков, доказывает пригодность модели для реальных ежедневных исследований, а не только для синтетических тестов.

В дополнение к релизу OpenAI выпустила плагин Life Sciences для Codex, дающий доступ к 50+ научным базам данных и инструментам. Но есть нюанс: использовать этот плагин в связке с обычными моделями могут все желающие, а вот полноценная связка «плагин плюс сама GPT‑Rosalind» — опция не для всех. Такая комбинация, как и сама модель, доступна только верифицированным корпоративным клиентам из США в рамках строгой программы Trusted Access.

GPT‑5.4‑Cyber: инструмент для тех, кто ловит, а не взламывает

ИБ-специалисты тоже получили свою профильную модель — GPT-5.4-Cyber с ослабленными фильтрами безопасности, предназначенную для анализа уязвимостей и вредоносного кода. Если базовые модели при попытке разобрать подозрительный код часто уходят в отказ, здесь допускается более глубокий анализ, включая бинарный реверс-инжиниринг. Модель может разбирать скомпилированный софт и искать в нем уязвимости или признаки вредоносной активности без доступа к исходному коду.

Естественно, раздавать такой инструмент всем подряд не стали. Модель доступна только участникам высшего уровня программы Trusted Access for Cyber (TAC), прошедшим дополнительную верификацию. Более того, доступ к модели может сопровождаться ограничениями на использование режима Zero-Data Retention — особенно когда запросы идут через сторонние платформы, где OpenAI сложнее проверить, кто использует инструмент.

ChatGPT Images 2.0: умная генерация картинок

OpenAI ответила на успехи конкурентов релизом ChatGPT Images 2.0 — и модель сразу заняла первое место в лидерборде Arena AI во всех возможных категориях, обогнав гугловскую Nano Banana 2 на внушительные 242 балла.

Такой рывок стал возможен благодаря серьезному апгрейду базовых механик: Images 2.0 научилась точно соблюдать пространственные связи между объектами, удерживать сложную композицию и рендерить мелкие элементы в 2K-разрешении. Картинки стали менее «пластиковыми» за счет прокачанной детализации — модель лучше прорисовывает освещение и мелкие детали вроде пор на коже, не теряя голову на сложных промптах.

Однако главное архитектурное нововведение — это интеграция режима размышлений. Если выбрать в чате режим Thinking, Images 2.0 начинает работать как полноценный визуальный агент. Перед генерацией пикселей она способна погуглить актуальные данные, проанализировать структуру инфографики и только потом начать рендеринг. В этом режиме модель может выдать серию до 10 связанных изображений: можно попросить нарисовать раскадровку комикса или пачку баннеров под разные соцсети, и персонажи на них останутся консистентными.

Заодно починили пару старых ограничений. Модель, наконец, отвязали от стандартных форматов, добавив поддержку любых соотношений сторон вплоть до ультрашироких 3:1 или вертикальных 1:3. И отдельная победа для всего незападного интернета: Images 2.0 наконец нормально рисует текст на нелатинских алфавитах: арабский, иврит, кириллица больше не превращаются в «инопланетную письменность».

GPT‑5.5: агентная работа без постоянного надзора

Темпы релизов OpenAI начинают напоминать конвейер китайских стартапов — не успели мы привыкнуть к 5.4, как Альтман и компания выпускают GPT‑5.5. По заявлениям разработчиков, фокус этого апдейта сместился с простых Q&A-задач на «агентную выносливость». Модель научили лучше держать контекст в долгих сессиях, самостоятельно перепроверять свои шаги и ориентироваться в запутанном коде без постоянных подсказок. Ранние тестеры отмечают, что GPT‑5.5 реже бросает задачу на полпути и лучше понимает, как локальный багфикс повлияет на всю архитектуру проекта в целом.

Чтобы сохранить скорость ответа на уровне GPT‑5.4, несмотря на возросшую «тяжесть» модели, OpenAI применила комплексный подход, тесно увязывая софт с новейшими кластерами NVIDIA GB200/GB300 NVL72. Причем для оптимизации этого стека активно использовали сами нейросети. Codex помогал инженерам набрасывать идеи и быстро писать тестовые скрипты для проверки гипотез, а GPT‑5.5 находила узкие места в инфраструктуре. Из конкретного, например, Codex проанализировал логи трафика за несколько недель и написал новые эвристические алгоритмы для динамической балансировки нагрузки на ядра GPU. Только один этот трюк увеличил скорость генерации токенов более чем на 20%.

Но с увеличившимися возможностями возросли и навыки во взломе систем. Поскольку по внутренней шкале угроз модель попала в категорию «Высокий риск», в нее вшили жесткие фильтры безопасности, блокирующие подозрительные запросы. Для тех, кому эти возможности нужны легально, OpenAI предлагает идти через уже знакомую программу Trusted Access, где после верификации личности фильтры будут ослаблены. GPT‑5.5 уже доступна в платных тарифах ChatGPT и Codex, а скоро доберется и до API. В комплекте идет гайд по работе с новой моделью. Ценник, правда, кусается: $5 за вход и $30 за выход для базовой версии и суровые $30/$180 для версии Pro, которая, к слову, для дешевых Go и Plus недоступна.

Anthropic

Claude Mythos: модель, которая напугала всех (и даже своих создателей)

Главная новость месяца от Anthropic — это релиз, которого не случилось. Компания анонсировала модель Claude Mythos, но отказалась выпускать ее в публичный доступ из-за пугающих способностей к поиску уязвимостей. Шумиха поднялась настолько серьезная, что ФРС и Минфин США экстренно собирали глав крупнейших банков для обсуждения рисков для инфраструктуры. И если почитать системную карту модели или статью от Red Team Anthropic, причина паники становится понятна.

Начать стоит с того, что разрыв с Opus 4.6 хорошо виден в конкретных цифрах. На задачах вроде Terminal-Bench 2.0 модель выбивает 82% против 65,4% у Opus 4.6, на других ключевых бенчмарках тоже разнос. А вот следующая цифра выглядит действительно интригующей: на старых уязвимостях JavaScript-движка Firefox 147 Opus 4.6 смог написать рабочий эксплойт 2 раза из нескольких сотен попыток; Mythos справился 181 раз и еще в 29 случаях получил контроль над регистрами.

Причем делает это модель абсолютно автономно, без подсказок человека и на живом фундаментальном софте, в том числе во всех популярных браузерах и на всех основных ОС. Например, ИИ откопал 27-летнюю уязвимость в OpenBSD — системе, которая считается чуть ли не эталоном безопасности для фаерволов и критической инфраструктуры. Найденный баг позволял удаленно «уронить» любую машину простым подключением. В мультимедийном фреймворке FFmpeg Mythos нашел 16-летнюю дыру в коде, которую автоматические тесты обходили пять миллионов раз. На добивочку в ядре Linux она самостоятельно нашла и связала в цепочку сразу несколько уязвимостей, чтобы поднять права от обычного юзера до полного контроля над сервером.

Самое интересное, что Anthropic не тренировала модель специально для хакинга: умение находить и эксплуатировать уязвимости нулевого дня «выросло» само как побочный эффект общего улучшения логики и агентности.

Осознав масштабы проблемы, компания запустила Project Glasswing — программу раннего доступа для компаний и мейнтейнеров ключевых опенсорс-проектов. В нее пригласили Microsoft, Google, Cisco, CrowdStrike и ряд других игроков. Участникам дали доступ к Mythos и выделили бюджет на использование модели, чтобы они могли заранее искать и закрывать критические уязвимости в своих продуктах и инфраструктуре. Через 90 дней Anthropic планирует опубликовать лучшие практики, которые помогут подготовиться к появлению моделей такого уровня в открытом доступе.

Claude Opus 4.7: безопасная альтернатива с xhigh-ризонингом

Для простых смертных Anthropic выпустили Opus 4.7. Это прямой апгрейд версии 4.6, который позиционируется как надежный исполнитель для сложных долгоиграющих задач. Учитывая хакерские таланты нового флагмана, инженеры решили подстраховаться: в Opus 4.7 во время обучения проводились эксперименты по снижению кибернавыков, а в релизную версию встроили автоматические фильтры, блокирующие запросы на взлом.

Остальные улучшения можно назвать более прикладными. Модель заметно прибавила, особенно на длинных агентных задачах, плюс сама проверяет собственные результаты перед тем, как выдать ответ. Поддержка изображений выросла до 2576 пикселей по длинной стороне, что критично для чтения мелкого текста со скриншотов или анализа плотных графиков. Также заметно улучшили точность следования инструкциям. В Anthropic даже предупреждают: если раньше старые модели могли игнорировать или додумывать части промпта, то Opus 4.7 воспринимает ТЗ более буквально, так что старые промпты, возможно, придется переписывать.

В дополнение к модели в API появился новый уровень усилий — xhigh, который позволяет настраивать баланс между глубиной рассуждения и задержкой ответа. Чтобы этот усиленный ризонинг не опустошил ваш бюджет, Anthropic наконец-то вывела в публичную бету функцию «task budgets», позволяющую жестко лимитировать траты токенов для запущенных агентов. Цена при этом не изменилась — $5/$25 за миллион токенов. Правда, есть нюанс: из-за нового токенизатора один и тот же текст теперь может «весить» до 35% больше токенов. А если выкрутить xhigh на максимум, модель начнет думать дольше и генерировать еще больше невидимых токенов размышления.

Managed Agents: микросервисная архитектура для агентов

Если Opus 4.7 — это мозг, то Managed Agents — попытка Anthropic создать для него надежное тело. Это новый хостинговый сервис внутри Claude Platform, предназначенный для управления агентами, выполняющими долгие задачи. Раньше разработчикам приходилось запирать модель, ее инструменты и лог сессии в один монолитный контейнер. Если контейнер зависал или падал — терялась вся история работы, и отладить этот «черный ящик» было почти невозможно.

В Managed Agents эту монолитную структуру распилили на независимые микросервисы, отделив логику Claude и его обвязку от среды выполнения и логов. Теперь, если песочница с кодом зависает, агент просто фиксирует ошибку, поднимает чистый контейнер и продолжает работу. Лог сессии хранится вне контекстного окна модели, что позволяет агенту запрашивать историю точечно, не перегружая токены.

Побочный эффект оказался приятным: p50 TTFT упал на 60%, p95 — больше чем на 90%, потому что контейнер теперь поднимается, только когда реально нужен. Заодно решили проблему с утечкой токенов доступа. Теперь они лежат в защищенном хранилище и проксируются в песочницу, а не болтаются там с потенциально опасным кодом. Словом, получилась универсальная и масштабируемая среда выполнения, в которой разработчики могут запускать агентов, не переживая о падающей инфраструктуре.

Claude Design: от идеи до прототипа без дизайнера в штате

Anthropic решила автоматизировать и визуальную часть разработки, выпустив Claude Design. Это новый инструмент в экосистеме Claude на базе свежего Opus 4.7, который работает как гибрид чат-бота и Figma.

Инструмент дает возможность собирать рабочие прототипы прямо в привычном окне чата. Вы описываете, что вам нужно, модель собирает первый черновик, а дальше вы докручиваете его комментариями, прямым редактированием текста или через кастомные ползунки, которые нейросеть сама же и создает для настройки отступов или цветов.

Для командной работы завезли интеграцию с корпоративным брендбуком. При подключении к кодовой базе или дизайн-файлам инструмент сам подтягивает фирменные цвета, типографику и компоненты ко всем новым генерациям. Готовый макет можно экспортировать в HTML, PDF, закинуть в Canva или передать Claude Code для превращения картинки в рабочий код. Пока инструмент доступен в режиме Research Preview только для платных подписчиков.

Google

Veo 3.1 Lite: генерация видео перестает сжигать бюджеты

Google продолжают делать свои топовые модели более доступными. На этот раз компания выпустила модель Veo 3.1 Lite, которая позиционируется как инструмент для разработки высоконагруженных видеоприложений. И главный аргумент в подтверждение — экономика: Lite-версия обойдется разработчикам более чем в два раза дешевле старшей версии Veo 3.1 Fast, при этом скорость создания роликов остается на том же уровне.

Технически это вполне рабочая лошадка для базовых задач. Модель поддерживает форматы Text-to-Video и Image-to-Video, умеет выдавать картинку в 720p и 1080p, а также переключаться между альбомной (16:9) и портретной (9:16) ориентациями. В API можно жестко задать длину ролика — 4, 6 или 8 секунд, что автоматически корректирует итоговую стоимость запроса. Инструмент уже доступен на платном тарифе Gemini API и в Google AI Studio. А для тех, кому нужны мощности посерьезнее, Google срезали цены и на флагманскую Veo 3.1 Fast.

Gemma 4: опенсорс на любой вкус, цвет и размер

Google выпустили четвертое поколение своего семейства открытых моделей Gemma, сделав ставку на продвинутый ризонинг и автономные рабочие процессы. Но главным сюрпризом релиза стала смена лицензии: компания прислушалась к сообществу и перевела всю новую линейку на коммерчески свободную Apache 2.0. Модели разделили на четыре весовые категории: компактные Effective 2B (E2B) и 4B (E4B) для локального запуска, а также «тяжеловесы» — 26B Mixture of Experts и 31B Dense. Все модели нативно работают с изображениями и видео, умеют обращаться к внешним функциям и поддерживают длинный контекст (128K токенов для младших и 256K для старших).

«Тяжеловесы» показывают отличную эффективность на единицу вычислений. В лидерборде Arena AI версия 31B Dense уже заняла третье место среди открытых моделей, а 26B MoE расположилась чуть ниже, обгоняя куда более массивных конкурентов. При этом 26-миллиардная MoE активирует во время инференса лишь 3,8 млрд параметров, выдавая высокую скорость генерации, а несжатые bfloat16-веса обеих старших версий спокойно помещаются в одну видеокарту NVIDIA H100 на 80 ГБ.

С младшими версиями E2B и E4B Google пошли по пути максимальной автономности. Они оптимизированы для запуска прямо на смартфонах, Raspberry Pi или Jetson Orin Nano с околонулевой задержкой и без доступа к интернету. В качестве эксклюзивной фичи эти «малыши» получили нативную поддержку аудиовхода для распознавания речи, которой, что интересно, нет у старших собратьев. Android-разработчики уже могут обкатывать на них свои агентные сценарии в AICore Developer Preview, закладывая фундамент под грядущий выход Gemini Nano 4.

Gemini 3.1 Flash TTS: режиссерский режим для генерации голоса

Google решили немного оживить генерацию речи и выпустили Gemini 3.1 Flash TTS — свеженькую text-to-speech модель. Вместо того чтобы просто рапортовать о «еще более естественном звучании», разработчики добавили инструмент, который они сами называют «режиссерским креслом» — систему аудиотегов. Идея в том, что теперь управлять темпом, акцентом и интонацией теперь можно прямо в тексте с помощью встроенных тегов. Вы можете задать общую атмосферу сцены или прописать «режиссерские заметки» для конкретного спикера, заставив его изменить эмоцию посреди фразы.

В теории (и в лидерборде Artificial Analysis, где модель набрала 1211 пунктов Elo) это выглядит как отличный компромисс между ценой синтеза и его качеством. Инструмент поддерживает более 70 языков и нативно склеивает многоголосые диалоги без необходимости генерировать реплики отдельно. Приятным бонусом для разработчиков стала функция экспорта: как только вы накрутили ползунки и добились желаемого звучания в песочнице, все параметры можно выгрузить в виде готового кода для Gemini API. Сейчас модель доступна в превью для разработчиков в Gemini API и Google AI Studio, а также для энтерпрайза через Vertex AI.

Gemini Robotics-ER 1.6: пространственное мышление становится доступнее

Пока текстовые модели соревнуются в бенчмарках, робототехника страдает от более приземленных проблем — вроде «как заставить робота понять, что он уже положил ручку в стакан, а не просто тычет ею мимо». Для таких задач Google выпустила Gemini Robotics-ER 1.6 — модель, которая работает как диспетчер для физических роботов, вызывая нужные инструменты: от обычного поиска до vision-language-action моделей. Главный апгрейд здесь — многокамерное зрение: теперь робот одновременно анализирует картинку с потолочной камеры и объектива на манипуляторе, самостоятельно детектируя успех или провал физического действия без команды оператора.

Одной из самых неочевидных, но востребованных фич стала способность читать аналоговые приборы — этот кейс Google отрабатывала совместно с Boston Dynamics для их роботов Spot, инспектирующих промышленные объекты. Инструмент использует механику «агентного зрения»: чтобы понять показания манометра или уровень в мерном стекле, модель программно зумирует картинку, рассчитывает интервалы между делениями и сопоставляет это со знаниями о перспективе и искажениях.

Такой подход выдал 93% успешных считываний против скромных 67% у базовой Gemini 3.0 Flash. Заодно подтянули и физическую безопасность: модель теперь строго соблюдает заложенные ограничения и отказывается поднимать грузы тяжелее заданного лимита или работать с жидкостями.

Deep Research Max: поисковый агент взрослеет до автономного аналитика

Google решили сделать из хорошего инструмента лучший и обновили свой Deep Research. Его перевели на движок Gemini 3.1 Pro и разделили на две версии. Базовый Deep Research ускорили и удешевили для быстрых интерактивных задач, а вот новую версию Deep Research Max заточили под тяжелые асинхронные воркфлоу с максимальным использованием test-time compute.

Главный технический апгрейд релиза — встроенная поддержка Model Context Protocol (MCP). Если раньше агент копался только в открытом вебе и загруженных файлах, то теперь его можно безопасно натравить на закрытые корпоративные базы данных или вообще отключить интернет, оставив работать только во внутреннем контуре. А чтобы конечная выдача была не только полезной, но и наглядной, систему научили генерировать инфографику прямо внутри текста с помощью HTML или визуального движка Nano Banana.

Сам процесс стал прозрачнее: до старта поиска можно запросить у агента план исследования и скорректировать его, а во время выполнения следить за стримингом промежуточных размышлений.

Microsoft: Линейка MAI в сборе

Microsoft решили не оставлять в одиночестве выпущенный в прошлом месяце MAI-Image-2, и доукомплектовали его инструментами для работы со звуком.

За перевод аудио в текст теперь отвечает MAI-Transcribe-1. На тестах модель показывает себя вполне уверенно: в бенчмарке FLEURS по топ-25 языкам модель показала среднюю частоту словесных ошибок на уровне 3,9%. Для контекста, у Gemini 3.1 Flash этот показатель равен 4,9%, а у открытой Whisper-large-v3 — 7,6%. Microsoft утверждает, что модель работает в 2,5 раза быстрее их предыдущего решения Azure Fast, а обойдется работа в $0,36 за час обработанного аудио.

Обратный процесс — синтез речи — делегировали MAI-Voice-1. Модель генерирует минуту звука за секунду, поддерживает разметку SSML для ручной настройки эмоций и умеет клонировать голос по нескольким секундам записи. Последнее — с оговорками. Учитывая количество скандалов с дипфейками, Microsoft обложила эту функцию многослойной бюрократией. Чтобы создать голосовой профиль, разработчику придется подать заявку на Gated Access в Azure, пройти ревью, а затем загрузить не только исходник, но и записанное голосовое согласие от человека-донора. Так что «угнать» чей-то голос для серой рекламной кампании теперь технически проблематично. Пока модель поддерживает только английский, остальные языки обещают позже. Цена — $22 за миллион символов.

Теперь у разработчиков есть все необходимое для того, чтобы не выходить из экосистемы Microsoft Foundry. Захотят ли они там остаться — уже вопрос другого порядка.

Muse Spark от Meta: начало нового семейства моделей

Поистине «золотая» лаборатория Meta Superintelligence, которую Цукерберг строил, переманивая исследователей у конкурентов, наконец представила свое долгожданное детище. Им стала модель Muse Spark — первенец нового семейства Muse. Это мультимодальная модель с поддержкой tool-use, визуальной цепочки рассуждений и мультиагентной оркестрации.

Главной фичей на зависть конкурентам стал Contemplating mode. Суть режима — в распараллеливании: система запускает сразу несколько агентов, которые «думают» одновременно, удерживая задержку ответа на приемлемом уровне даже на сложных задачах. А чтобы модель не тратила токены впустую, в процесс обучения через RL заложили жесткий штраф за время размышления. Примечательно, что это породило эффект «сжатия мыслей»: после определенного порога обучения модель проходит фазу трансформации и начинает решать сложные задачи, используя значительно меньше токенов рассуждения без потери качества.

Правда, у модели есть неприятный побочный эффект. Сторонние аудиторы из Apollo Research обнаружили у Muse Spark самый высокий уровень evaluation awareness из всех протестированных моделей: нейросеть по контексту понимает, что ее сейчас тестируют, замечает «ловушки выравнивания» и рассуждает о том, что должна вести себя честно, поскольку ее оценивают. Другой вопрос, реально ли это меняет поведение моделей. Meta провела собственное расследование и нашла лишь предварительные признаки того, что осведомленность может влиять на поведение в небольшом подмножестве тестов, никак не связанных с опасными сценариями. В итоге они сочли, что никакой угрозы для безопасности пользователей не несет, и пустили модель в релиз.

NVIDIA Ising: ИИ для квантовых вычислений

Nvidia выпустила семейство открытых моделей Ising, цель которых — превратить ИИ в операционную систему для квантовых процессоров. Проблема нынешних квантовых машин — в хрупкости кубитов, которые требуют постоянной калибровки и исправления ошибок в реальном времени. Nvidia же предлагают решать эту проблему, сделав ИИ своеобразным «операционным контроллером» для квантового железа.

Систему разделили на два специализированных инструмента, первый из которых — Ising Calibration. Это 35-миллиардная мультимодальная модель (VLM), которая работает как высокоуровневый эксперт: анализирует визуальные и числовые данные экспериментов, приходящие с квантового процессора, и на их основе делает выводы о необходимых корректировках параметров. По задумке, это должно сократить время рутинной настройки оборудования с нескольких дней до пары часов.

Вторая часть системы — Ising Decoding, отвечающая за исправление ошибок. В отличие от тяжеловесной модели калибровки, здесь используются два компактных варианта 3D-сверточной нейросети на 0,9 и 1,8 млн параметров: один оптимизирован под скорость, другой — под точность. Каждый выполняет функцию пре-декодера, который распознает паттерны ошибок в поверхностных кодах быстрее и точнее классических алгоритмов — по внутренним тестам, в 2,5 раза быстрее и в 3 раза точнее индустриального стандарта pyMatching.

Веса и фреймворки для дообучения под конкретные архитектуры QPU уже выложены в открытый доступ, чтобы квантовые стартапы могли перестать изобретать велосипеды для борьбы с шумом.

GLM-5.1: модель, которая не сдается

Китайская Z.ai выпустила флагманскую модель для кодинга GLM-5.1, и в этот раз они взялись за одну из основных проблем современных ИИ-агентов — быстрое выгорание. Обычно языковые модели выдают пару хороших решений на старте, а если задача требует долгой отладки, начинают ходить по кругу. GLM-5.1 же научили работать вдолгую: она умеет останавливаться, перечитывать логи, понимать, что уперлась в тупик, и радикально менять стратегию.

Чтобы доказать это, разработчики устроили модели марафон. В тесте VectorDBBench нейросети дали 50 ходов на оптимизацию базы данных. Базовая версия уперлась в потолок, а вот GLM-5.1, запущенная в бесконечном цикле, сделала более 600 итераций и 6000 вызовов инструментов. Модель сама догадалась сменить метод сканирования и сжать векторы, выдав в итоге 21,5k QPS — примерно в 6 раз больше лучшего результата, достигнутого в стандартном режиме с 50-ходовым бюджетом Claude Opus 4.6. Причем на графике четко видно, как нейросеть ломает код, тестирует новую гипотезу и затем стабилизирует результат.

Такой же трюк сработал и при создании Linux-подобного десктопа в браузере с нуля. Оставленная на 8 часов наедине с задачей, модель допилила файловый менеджер, терминал и калькулятор, постоянно оценивая собственный код. Конечно, на тестах ML-оптимизации Opus 4.6 все еще держится бодрее, но китайцы явно нащупали правильный вектор развития. Модель традиционно выложили в опенсорс под MIT-лицензией.

DeepSeek-V4: миллион токенов контекста со скидкой на память

После небольшой паузы главные возмутители спокойствия из Поднебесной выложили в опенсорс превью-версии семейства V4: флагманскую V4-Pro (1,6 трлн параметров, активно 49 млрд) и легковесную V4-Flash (284 млрд всего, 13 млрд активно). Обе нативно переваривают контекст в миллион токенов, и чтобы алгоритм внимания не захлебнулся от такого объема, разработчики заменили его на новую гибридную систему.

Она работает в два потока. CSA (Compressed Sparse Attention) сжимает KV-кэш и применяет фирменный DeepSeek Sparse Attention, а HCA (Heavily Compressed Attention) сжимает кэш еще агрессивнее, но прогоняет через него уже плотное внимание. Так, модель учится экстремально экономить память, но не теряет контекст. Отдельным нововведением стали mHC — они усиливают классические остаточные связи между слоями и не дают полезному сигналу затухнуть при прохождении через сеть. В итоге на окне в миллион токенов тяжеловесная V4-Pro требует лишь 27% вычислений и 10% KV-кэша по сравнению с прошлой V3.2, а Flash и вовсе укладывается в 10% и 7% соответственно.

Дообучали эту конструкцию тоже нестандартно. Сначала сетку расщепили на узких специалистов, натаскали их по отдельности — сначала через дообучение на профильных данных (SFT), затем через обучение с подкреплением (RL с GRPO), — а потом слили полученные навыки в единую модель методом дистилляции. На практике это дало отличный результат — в работе с длинным контекстом версия V4-Pro-Max обходит ту же Gemini 3.1 Pro, а в агентных задачах уверенно держится на уровне ведущих открытых моделей, хотя сами авторы честно признают, что по рассуждениям отстают от GPT-5.4 и Gemini 3.1 Pro примерно на три-шесть месяцев.

События индустрии

Служба безопасности Anthropic объявляет месяц открытых дверей

Апрель для Anthropic выдался, мягко говоря, напряженным. Компания, которая построила весь свой имидж на строгих протоколах безопасности, за один месяц умудрилась допустить сразу три утечки, доказав, что главный риск для ИИ — это по-прежнему человек с мышкой.

Началось все с банальной ошибки в конфигурации корпоративной CMS: кто-то просто оставил внутреннее хранилище публичным по умолчанию. В итоге в интернет утекли почти 3000 внутренних файлов, включая черновики корпоративного блога, логотипы и, что самое неприятное, неанонсированные подробности о той самой «небезопасной» модели Mythos.

Дальше — больше. При выпуске минорного апдейта 2.1.88 для утилиты Claude Code инженеры случайно упаковали в публичный релиз почти 2000 файлов с более чем 512 тысячами строк исходного кода, раскрыв устройство инструмента.

Понимая масштаб катастрофы, юристы Anthropic судорожно отправили пачку DMCA-страйков на GitHub, требуя удалить репозитории тех, кто успел скопировать утечку. Но в спешке они промахнулись и случайно снесли около 8100 репозиториев, включая легальные форки своего же официального публичного клиента. Позже страйки пришлось массово отзывать, извиняясь перед разгневанным комьюнити разработчиков и списывая все на очередную «ошибку».

Вишенкой на торте этого парада кибербезопасности стала утечка доступа к Claude Mythos, который Anthropic вроде как спрятали за семью замками. Ирония в том, что эту «самую опасную нейросеть» предположительно скомпрометировали в первый же день. Группа энтузиастов из закрытого Discord-канала проанализировала паттерны именования API, просто угадала нужный эндпоинт Mythos и зашла туда через легитимную учетную запись одного из подрядчиков. В итоге «герои-взломщики» спокойно пользовались самым страшным ИИ-оружием несколько недель, пока слив не предали огласке. В компании заявили, что их собственные системы не взломаны, и сейчас они ищут виноватого среди вендоров. Однако инцидент выглядит особенно неприятно на фоне возможного IPO.

Anthropic починила Claude Code (предварительно его сломав)

Этой весной пользователи Claude Code начали замечать, что их любимый кодинг-агент стал откровенно лениться. Ситуацию перевела из разряда слухов в плоскость цифр Стелла Лорензо — старший директор по ИИ в AMD. Она выпустила подробный отчет на основе тысяч логов, где с цифрами на руках доказала: с февраля модель начала стремительно деградировать. Агент перестал читать код перед его редактированием, начал застревать в бесконечных циклах самоисправлений и регулярно выдавать фразы в духе «это слишком сложно, давайте остановимся». Стелла предположила, что это связано с внедрением параметра redact-thinking и возможным негласным урезанием лимитов на токены размышления.

В ответ пришел глава команды Claude Code Борис Черный и попытался успокоить сообщество. По его словам, redact-thinking — это UI-заглушка, чтобы не загромождать интерфейс, а модель якобы думает так же глубоко, как и раньше. Однако честно признал: компания действительно понизила дефолтный уровень усилий с High на Medium ради снижения задержки.

Казалось бы, тайна раскрыта, нужно просто вернуть настройки. Но полноценный внутренний аудит Anthropic показал, что снижение effort — это лишь верхушка айсберга, а агент пал жертвой сразу трех независимых апдейтов, которые неудачно наложились друг на друга.

Первым фактором действительно стал перевод дефолтного ризонинга с High на Medium — его пришлось откатить. Второй баг крылся в оптимизации кэширования: старые рассуждения агента должны были удаляться при долгом простое сессии. Но из-за бага скрипт начал стирать память агенту на каждом шаге, превращая его в золотую рыбку, которая не помнит, зачем вообще пишет этот код.

Контрольным выстрелом стал новый системный промпт: пытаясь заставить новенький Opus 4.7 писать короче, ему жестко запретили использовать больше 25 слов между вызовами инструментов, что сломало логику планирования. В итоге все изменения откатили, а лимиты пользователям сбросили. Самое ироничное в этой ситуации то, что при разборе инцидента Anthropic натравила Opus 4.7 на проблемные пулл-реквесты, и модель нашла тот самый баг с кэшированием, который благополучно пропустили живые программисты и автоматические тесты.

Сэма Альтмана настигла карма

The New Yorker опубликовал расследование о Сэме Альтмане, в котором на основе внутренних документов, материалов исков и свидетельств бывших сотрудников разбираются его спорные управленческие решения и конфликты внутри компании. Статья вышла объемной — прочитать ее целиком можно здесь. Ниже кратко разберем ключевые эпизоды.

Во-первых, многие коллеги годами документировали действия Сэма, попросту не доверяя его словам. В частности, бывшие члены совета директоров описывали его как социопата, не связанного правдой, а Дарио Амодей еще во время работы в OpenAI говорил коллегам, что слова Альтмана — «почти наверняка чушь», а главная проблема компании — сам Сэм.

Во-вторых, выяснилось, что хваленая команда по «супервыравниванию» (Superalignment), которой обещали 20% мощностей компании, сидела на старом железе, пока все ресурсы шли на коммерческие запуски. При этом сам CEO продолжает лоббировать многотриллионный проект инфраструктуры Stargate среди инвесторов из ОАЭ, несмотря на угрозы нацбезопасности США. Как метко подметил кто-то из инвесторов, «политика Сэма — это всегда сначала Сэм».

Публикация имела пугающе радикальные последствия. Вскоре после выхода статьи неизвестный бросил коктейль Молотова в дом Альтмана в 3:45 утра, благо бутылка отскочила от ворот, и никто не пострадал. Сразу после этого Сэм опубликовал длинный пост в блоге, где признал, что «недооценил силу нарративов», извинился за прошлые корпоративные конфликты и философски назвал AGI «кольцом всевластия», которое сводит людей с ума. Но манифест не сработал: еще через два дня по его дому открыли стрельбу из проезжавшей мимо машины. И хотя Альтман продолжает заявлять о работе на пользу человечества, на фоне того, как OpenAI агрессивно монетизирует свои сервисы и вытесняет конкурентов, пока с трудом верится, что он действительно готов пожертвовать личной властью ради всеобщего блага.

Проблемы с финансовой грамотностью в OpenAI

Внутри OpenAI назревает классический конфликт между видением CEO и человеком, который должен это видение оплачивать. По данным The Information, Сэм Альтман планирует вывести компанию на IPO уже в четвертом квартале этого года и параллельно обязался потратить $600 млрд на аренду и постройку дата-центров до 2030 года. Проблема в том, что финансовый директор OpenAI Сара Фрайар от этих планов, мягко говоря, не в восторге. Еще в начале года она говорила коллегам, что компания к IPO не готова процедурно, а рост выручки может просто не покрыть такие гигантские предзаказы на железо.

Но Альтман, видимо, не любит, когда ему мешают тратить деньги, поэтому CFO сняли с прямого подчинения CEO и перевели под крыло главы бизнес-приложений. Более того, ее стали исключать из обсуждений финансовых вопросов, которые обычно находятся в зоне ответственности CFO.

Дарио Амодей, к слову, в феврале объяснял в подкасте без имен, что ошибка в прогнозе на пару лет при таких темпах трат способна закончиться банкротством. Когда ваш главный конкурент и ваш собственный CFO говорят примерно одно и то же — возможно, стоит все же остановиться и задуматься.

Иллюзия достоверности: как исследователи взломали главные бенчмарки с результатом 100%

Вопрос достоверности результатов бенчмарков уже некоторое время стоит довольно остро, но так близко к провалу Штирлиц еще не был никогда. Группа ИБ-исследователей решила проверить на прочность топовые агентные бенчмарки, и находка оказалась отрезвляющей: почти каждый из них можно взломать на 100%, не решив при этом ни одной задачи.

Механика взлома везде разная, но суть одна: агент и оценщик работают в одной среде, которая никак не защищена от вмешательства — а значит, вместо решения задачи можно просто переписать правила игры. Например, в WebArena агент тупо заходил в локальную файловую систему через браузер и читал JSON-файл с правильными ответами, который организаторы забыли спрятать. А на SWE-bench хватило десяти строк в conftest.py — pytest-хук перехватывал тесты и принудительно помечал все как пройденное.

Главная проблема даже не в том, что можно накрутить цифры намеренно, а в том, что эксплуатация бенчмарков уже наблюдалась у реальных моделей — o3, Claude 3.7 Sonnet и Mythos Preview — без каких-либо инструкций это делать. Достаточно способный агент находит дыры сам в процессе оптимизации, потому что сломать оценщик проще, чем решить задачу. В таких условиях результаты бенчмарков начинают отражать не качество решения, а способность модели эксплуатировать систему оценки.

«ИИ-код работает, но он отвратительный»: Карпати — о текущих возможностях ИИ-агентов

Андрей Карпати, сооснователь OpenAI и автор термина vibe coding, на выступлении в Sequoia Capital сравнил современных ИИ-агентов со стажерами и заявил, что код, который они генерируют, по-прежнему "раздутый, хрупкий и просто отвратительный". По словам Карпати, разработчик в 2026 году все еще обязан контролировать эстетику, суждение, вкус и общий ход работы — отдавать всю разработку агенту нельзя.

"Иногда у почти меня случается небольшой сердечный приступ, потому что это не всегда какой-то супер-отличный код", — рассказал Карпати. По его словам, агенты выдают результат, который "очень раздутый, в нем куча копипасты и неуклюжих хрупких абстракций — оно работает, но это просто отвратительно". Сами агенты он описал как "сущности уровня стажера", за которыми пока нужен постоянный надзор.

При этом Карпати уточнил, что нет ничего фундаментального, что мешало бы моделям писать чистый код — просто лаборатории до сих пор не делали это приоритетом при обучении. То есть проблема не архитектурная, а вопрос фокуса тренировки.

Тем не менее, волна вайб-кодинга уже успела перекроить рынок: оценки стартапов Cursor, Lovable и Replit ушли в миллиарды долларов, а техкомпании пересмотрели подходы к найму и оплате разработчиков. Параллельно копится список инцидентов, которые дают повод сомневаться в подходе. Недавно шведская платформа Lovable признала, что в феврале при унификации прав доступа в бэкенде "случайно снова открыла доступ к чатам в публичных проектах" — после жалоб исследователей в X настройки вернули обратно.

В сухом остатке автор термина фактически присоединился к лагерю профессиональных разработчиков, которые предостерегают от чрезмерной опоры на ИИ-код. Чистый, проверенный, неломкий код от агентов — это, по логике Карпати, вопрос времени и приоритетов лабораторий. Однако сам Карпати продолжает кодить именно таким образом: ранее он высказывался, что с помощью ИИ пишет до 80% кода.

Канал с гайдами и контентом по claude code, выкладываем новости (когда режут лимиты в 10 раз) и какие инструменты через claude реализуем для проектов, канал: https://t.me/claudedevolper

Вопрос 1. «Танк победы»

Советский Т-34 называют одним из лучших танков эпохи. Но секрет его боевой мощи был не только в броне и в пушке. А в чем же?

🔎Ответ: простота и массовость. «Тигры» и «Пантеры» превосходили Т-34 по боевому потенциалу, но их было в разы меньше. Т-34 штамповали десятками тысяч, чинили в полевых условиях и быстро готовили новые экипажи — это и решало исход крупных операций.

При создании техники в War Alert мы вдохновлялись реальными историческими прототипами. Среди них Т-34, «Пантера», «Шерман» и другие. Перед началом боя игрок формирует набор из восьми боевых единиц и выбирает офицера, который влияет на тактику с помощью активных и пассивных навыков. Кроме тяжелых танков, в игре также есть пехота, элитная пехота, легкая и тяжелая техника, крупнокалиберные пулеметы.

Вопрос 2. Операция «Фортитьюд»

Перед высадкой в Нормандии союзники провели гигантскую обманную операцию и заставили немецкое командование держать лучшие дивизии совсем в другом месте. Для этого они использовали...

🔎Ответ: надувные танки и фальшивые радиосигналы. Операция «Фортитьюд» создала в Дувре призрачную армию из резиновых «Шерманов», деревянных самолетов и фальшивых штабов. Немцы ждали удар в районе Па-де-Кале — и просмотрели Нормандию.

War Alert — PvP-игра, где решения соперника непредсказуемы. Это значит, что, как и в настоящем бою, вам придется проявить хитрость и смекалку. Читайте ситуацию на поле боя, используйте разведку, обманные маневры, фланговые атаки, ищите укрытия и атакуйте в самый неожиданный момент.

Вопрос 3. «Сталинский орган»

Советские реактивные установки БМ-13, которые в СССР ласково называли «Катюшами», немцы прозвали «Сталинским органом». Что легло в основу прозвища?

🔎Ответ: звук. Направляющие располагались рядами, как трубы органа, а сам залп сопровождался воющим свистом. Эффект был не только разрушительным, но и психологическим: по воспоминаниям немецких солдат, этот вой парализовывал.

В War Alert звук помогает создать ощущение присутствия на поле боя. Артиллерийские взрывы, выстрелы, движение техники и крики солдат передают напряженную атмосферу сражения и делают игровой процесс живым и убедительным.

Вопрос 4. Провал «Лиса пустыни»

Немецкий военачальник Эрвин Роммель, прозванный «Лисом пустыни», несколько лет успешно противостоял британцам в Северной Африке. Но его кампания в итоге провалилась. Что стало главной причиной?

🔎Ответ: снабжение. Британский флот и авиация раз за разом топили конвои с топливом и боеприпасами. Без горючего мощные танки Африканского корпуса превращались в дорогие неподвижные мишени.

Логистика — важный элемент многих RTS-игр. В War Alert мы пересмотрели ее принципы: вместо монотонного сбора ресурсов и постройки базы снабжение стало частью боя.

На карте есть обычные ресурсные точки, точки топлива, точки боеприпасов и ключевые точки. Обычные ресурсные точки дают небольшое количество топлива и боеприпасов, специальные — больше соответствующего ресурса, а контроль над ключевыми постепенно снижает очки победы противника. Снабжение генерируется автоматически и используется для производства подразделений, включая пехоту и бронетехнику. Кроме того, если пехотный отряд потерял бойцов, он может вернуться на базу или к медпункту, чтобы за счет снабжения автоматически пополнить состав.

Вопрос 5. Загадка «Шермана»

Американский «Шерман» был основой бронетанковых войск союзников. Существует версия, что британские экипажи называли его Ronson — по марке зажигалки. Прозвище было мрачным, и причина у него была конкретная. Какая?

🔎Ответ: боеукладка. Первые «Шерманы» хранили снаряды в бортовых нишах. Пробитие — и танк вспыхивал, как спичка. Позже сделали «мокрую» боеукладку, окружив снаряды жидкостью, что помогло частично снизить риски. А вот прозвище осталось.

В War Alert у каждой фракции, боевой единицы и офицера есть свои сильные и слабые стороны. Изучите их перед боем и составьте свой боевой набор таким образом, чтобы недостатки одних отрядов перекрывались преимуществами других.

В War Alert реальные принципы военной стратегии превращаются в игровой опыт: победа зависит от взаимодействия родов войск, выбора офицера, динамики боя. Сейчас игра находится в ранней стадии разработки, поэтому нам очень важны ваши идеи и предложения.

Напишите в комментариях, какие механики, боевые единицы или темы о Второй мировой войне вам было бы интересно увидеть в следующих материалах!

Наводя исторические справки по системам видеонаблюдения я совершенно не ожидал увидеть здесь в первооткрывателях Льва Термена. Да, того самого изобретателя Терменвокса — уникального электронно-музыкального инструмента, игра на котором производится движением рук в воздухе возле инструмента.

Еще в 1926 году Лев Термен представил свой проект Дальновидения Ворошилову и Сталину. Система имела разрешение в 100 строк, работала при дневном освещении и тут же была засекречена во благо национальных интересов страны. Неудивительно что в интернете практически не сыскать информации на этот счет. В 1984 году Термен сделал копию своей установки, несколько частей которой хранятся в стенах Московского Политехнического музея.

Схема передатчика (а) и приемника (б) установки «дальновидения». а) 1 — экран; 2 — объектив; 3 - развертывающее устройство; 4 — электромотор; 5 — магнето; 6 — объектив; 7 — щелевая маска; 8 — фотоэлемен; 9 — усилитель; 10 — передатчик. б) 1 — приемник: 2 — магнето; 3 — электромотор: 4 — развертывающее устройство; 5 — источник света; 6 — конденсор: 7 — оптические решетки, 8 — поворотное зеркало; 9 — гальванометр; 10 - объектив; 11 — проекционный объектив; 12 — экран. Источник

Пожалуй, стоит перечитать пару книжек о Льве Термене. Я то думал что он инженер-музыкант :)

Первой системой видеонаблюдения в современном понимании этого термина можно назвать систему для наблюдения за запуском ракет ФАУ-2, от компании Siemens AG  в 1942 году. Весьма здравая мысль наблюдать за такими процессами с безопасного расстояния.

Первым коммерческим продуктом, доступным для широких масс можно считать систему видеонаблюдения от американской компании Vericon, представленной в 1949 году.

С изобретением видикона в 1951 году — передающей телевизионной трубки — случился бум развития телевещания и замкнутых телевизионных систем. По сравнению с иконоскопами и диссекторами, это была компактная, прочная и относительно дешевая передающая трубка. Она сделала телекамеры массовыми и пригодными для суровых условий эксплуатации. Ну а дальше пошло поехало — в 1960-е видеонаблюдение появилось на трафальгарской площади и в жилых районах для борьбы с преступностью, в США системы CCTV стали активно использоваться в банках, универмагах и АЗС, с той же, в общем-то, целью. В 70-е годы догадались писать изображение на видеомагнитофоны; в 80-е на смену электронно-лучевым трубкам пришли ПЗС матрицы и так далее. В современном городе установлены десятки тысяч камер видеонаблюдения, размывающие личные границы и обеспечивающие контроль [ДАННЫЕ УДАЛЕНЫ].

Телевидение перестало быть только средством вещания информации многим. Оно стало инструментом сбора информации о многих. Зародился символ эпохи — черно-белая камера под потолком в углу комнаты.

В СССР развитие CCTV шло по своему пути. Акцент был сделан не на массовость и коммерцию, а на государственную безопасность, оборону и промышленность. Разработан целый класс; Установки Телевизионные Прикладного назначения. ГОСТ 22006-76 — определяет основные требования, которым должны соответствовать устройства, например:

• Номинальная освещенность мишени передающей трубки — не более 1лк.

• Изменение освещенности на объекте(контрастность), не менее 500 раз.

• Разрешающая способность по горизонтали не менее 450 строк.

• Рабочая температура от -50 до +45 градусов.

Первое поколение прикладных телевизионных установок вышло в 1957 году [1]. Это были установки ПТУ-0, ПТУ-0М, ПТУ-0М1, ПТУ-2, ПТУ-3, ПТУ-4 и ПТУ-5. В самых первых видеокамерах использовались видиконы, Но в отличие от более поздних моделей, первые видиконы работали только с очень освещенными объектами — минимум в 250-500лк — как в ярко освещенной комнате. Более поздние установки — ПТУ-3 и ПТУ-5 использовали супериконоскопы и суперортиконы, где минимальная освещенность составляла уже 30лк — т.е. уровень освещенности подвалов и коридоров. Количество строк уже в те годы составляло 300-550 по вертикали.

Уже в первом поколении установок были модификации, позволяющие подключать несколько видеокамер и на пульте оператора выводить изображение с требуемой. Там же присутствует и дистанционное управление фокусировкой и диафрагмой. Упоминается даже смена двух объективов!

Про номенклатуру разработанных сквозь годы установок известно очень мало — никто не занимался их каталогизацией. Крупицы представленной информации удалось достать из пары книг [1] и [2].

В 1958 году появляются телевизионные установки ПТУ-101 - ПТУ-103. Затем — ПТУ-22 - ПТУ-24. Номенклатура видеокамер, контрольных устройств, оптических приставок и т.д. — стала унифицированной и например приставки ПТУ-28 — ПТУ-31 на базе видеокамер КТП-39 и КТП-40 — отличаются различной комплектацией, например:

• ПТУ-28 — однокамерная установка с телевизором;

• ПТУ-29 — однокамерная установка с видеоконтрольным устройством;

• ПТУ-30 — однокамерная установка с несколькими видеоконтрольными устройствами;

• ПТУ-31 — многокамерная установка с несколькими видеоконтрольными устройствами.

  ПТУ-38: Пульт управления, монитор и кидеокамеры КТП-39 на металлоприемке. Спасены друзьями из проекта Видачество

Есть и специализированные системы, например:

• ПТУ-32 — установка предназначена, в первую очередь, для крупных больниц, когда дежурный врач ночью может наблюдать за тяжелобольными сразу в нескольких палатах. Видеокамера — КТП-36 — работает как в слабом свете, так и в темноте, за счет ИК подсветки.

  Телевизионная камера КТП-36 и пульт оператора ПО-2 с видеоконтрольным устройством ВК-29

• ПТУ-33 — многокамерная одноканальная телевизионная установка, где до 32 видеокамер подключается ёлочкой и с пульта оператора можно вывести изображение с любой из них на телеэран.

• ПТУ-37 — установка для дистанционного наблюдения и контроля за ходом процесса сварки и других технологических процессов с видеокамерой КТП-50.

  ПТУ-37. 1975г. Источник

• ПТУ-38, ПТУ-39 — совместно с рентген аппаратом производит контроль сварных швов, отливок и других объектов

  ПТУ-38. 1975г. Источник

• ПТУ-40 — установки предназначены для наблюдения за производственными процессами во взрывоопасной среде. Видеокамеры КТП-58 тут выполнены во взрывонепроницаемых оболочках

• ПТУ-44 — ПТУ-46, а затем и ПТУ-55 — ПТУ-58 — установки общего назначения для видеонаблюдения за движущимися и неподвижными объектами на чёрно-белом экране. Они используют видеокамеры КТП-63 и КТП-64, дают телевизионное качество изображения в 625 строк и 25 кадров в секунду. В установках может быть различное число видеокамер, от одной и до 16, и все они работают как со слабо освещенными объектами (50 люкс), так и при ярком солнечном освещении (50 000 люкс)

  Сборная солянка компонентов ПТУ-46 — ПТУ-56. Две видеокамеры КТП-63 на направляющих устройствах УН-16, Пульты управления ПУ-80 и КВС-1, Блок питания БП-107, соединительные провода

• ПТУ-62 - ПТУ-77 — установки общего назначения, производимые в конце 80-х годов с активным применением микросборок серии 04. Используемые видеокамеры КТП-83 и КТП-84 до боли напоминают героев нашего рассказа, но все же слегка отличаются.

  Видеокамера КТП-83 на подвесе УН-24 жалобно смотрит на прохожих

• ПТУ-96М, или «Клен» с цветной видеокамерой на 350 строк — последняя из упоминаемых видеокамер, разработанных на постсоветском пространстве. Все таки приход ПЗС матриц на какое-то время существенно ухудшил качество видеоизображения.

Кажется, в этой статье образовалось самое полное перечисление прикладных телевизионных установок из существующих. Ну а мы перейдем к осмотру имеющего оборудования.

❯ Зоркий глаз: Видеокамера КТП-63

После аварии на ЧАЭС в 1986 году возникла острая необходимость в дистанционном управлении техникой в условиях смертельных уровней радиации. Советские роботы-ликвидаторы массово оснащались камерами КТП‑63, которые обеспечивали операторов визуальной информацией. На множестве фотографий — специального транспортного робота (С.Т.Р.), гусеничного робота-погрузчика «Мобот», колесного робота-манипулятора «Белоярец» — можно заметить глаз WALL-E — видеокамеру КТП-63 — героя нашего обзора

Целых две видеокамеры с документацией мне пять лет назад подарил товарищ Евгений К., за что ему большое спасибо. Рассмотрим их поближе:

❯ Технические особенности камеры КТП‑63

• Передающая трубка: Видикон ЛИ441 с магнитным отклонением и электростатической фокусировкой. Очень хочу найти новые видиконы на замену.

• Стандарт развёртки: 625 строк, 25 кадров/с.

• Разрешающая способность: В центре – не менее 500 линий, в углах – не менее 450 линий (при освещённости 200 лк).

• Диапазон освещённости: От 50 до 50 000 лк (для базовой версии).

• Питание: Постоянный ток 27 В ±10%, потребляемая мощность – не более 8–10 Вт.

• Объектив: Возможность работы с объективом «Гелиос‑44‑2».

Внешне, видеокамера представляет собой натурально глаз робота ВАЛЛ-И. Когда подписчик подарил мне эти видеокамеры — изначальной идеей было сделать полноценного робота. Камер то как раз две.

Камера имеет полностью закрытое уличное исполнение. Вся начинка спрятана в условно герметичном корпусе. Уплотнительных резинок в мои экземпляры не завезли, но как минимум IP44 тут имеется. В итоге спереди мы наблюдаем защитное стекло, но не простое, а с подогревом — так что даже если ваша камера стоит на улице — проблема с обледенением или запотеванием вам не грозит. В домашних условиях стекло оперативно нагрелось до +28 градусов когда на второй камере было +24.

Сзади мы наблюдаем большой разъем РП10-22, через который на видеокамеру поступает питание, идут сигналы управления оптической приставкой, а также снимается композитный видеосигнал. Открутим два винта и извлечем начинку корпуса на поверхность:

Начинки тут не так много и вся она разбита по модулям. Центральным элементом является блок видикона — приемная телевизионная трубка с электромагнитной системой отклонения в стальной гильзе. Сверху на ней — предварительный усилитель экранированный от помех соседних схем. Он напрямую подключен к сигнальной пластине. С одной стороны от блока видикона располагается видеоусилитель с ручками регулировки.

Именно ручки «Регулировка усиления» и «Регулировка гасящего импульса» пришлось корректировать чтобы камера начала хоть что-то показывать. Усиление у обеих камер выкручено на максимум, что говорит о том что видиконы не просто устали, они почти трупы.

С другой стороны от видикона расположена плата генератора синхроимпульсов. Именно ее существование обрекло эти видеокамеры на смерть в цепких лапах аффинажников.

За металлической пластиной расположен импульсный источник питания. На вход он получает +27В, а выдает все необходимые для видикона напряжения, начиная от накальных 0,8В и заканчивая анодным в +600В.

Справа от источника питания за пластиковой крышкой спрятался блок разверток — получая синхроимпульсы от генератора он непосредственно управляет обмотками отклоняющей системы.

В этой видеокамере нет ничего лишнего. Но вся электроника собрана на дискретных элементах, без использования специализированных микросхем. Например видеокамера КТП-82 — на 10 лет более свежей разработки — собрана на микросхемах 04 серии. Более того, в этот корпус влез также и источник питания от 220В!

А теперь не поленимся и достанем блок видикона — для этого открутим пару винтов, освободив прижимную скобу. Отключив провода от предусилителя и отклоняющих катушек вытащим картридж на поверхность.

Открутив спереди два винта уберем пластиковый фиксатор видикона и вытащим его из картриджа для замены.

Правда менять видикон мне пока не на что, так как у меня банально нет свежей замены, поэтому соберу картридж обратно.

Спереди к камере прикручена оптическая приставка. У меня самая простая, с одним мотором, корректирующим фокус. Ко мне камера приехала с объективом Гелиос-44-2, но сюда можно поставить любой другой с резьбой М42. При этом мотор на приставке не вращает кольцо фокуса! Он перемещает картридж с видиконом вперед и назад... Уж не знаю зачем такая система, разве что она не привязана к каким-то конкретным объективам...

Отдельно стоит отметить собрата нашей видеокамеры — КТП-64. Устройство наведения у неё интегрировано в корпус, но имеет всего одну степень свободы. Вторая степень свободы спрятана в оптической приставке — там стоит поворотное зеркало.

❯ Шея и плечи: моторизованный подвес УН-16

Видеокамера на четырех болтах прикручивается к площадке моторизованного устройства наведения. Тяжелый, зараза. больше 12кг. Диапазон регулировки обзора камеры +-45 градусов по вертикали и +-180 градусов по горизонтали.

Откинув боковую крышку мы обнаруживаем червячные редуктора, пару моторов и... карданчик... так как оси вращения червяка и первого редуктора не совпадают. Но я не удивлен. Кардан постоянно встречается в советской технике. Также как и у оптической приставки — у каждой из осей есть концевые выключатели, отключающие мотор при максимальном угле поворота. Слева и справа видим пару маленьких платок с реле — это силовые ключи. Сзади скрывается небольшая плата, которая по 4-х значному коду определяет когда и куда двигать камеру, а когда — фокус.

На принципиальной схеме устройства наведения можно увидеть те самые реле, а также — какую-то логическую схему в верхней её части. На транзисторных микросборках собраны логические элементы 3И, с помощью которых и происходит декодирование команды, пришедшей с пульта.

Так, Э1-2 включится с кодом 001b(влево), Э2-2 — с кодом 010b(вправо), Э3-2 - 011b(вверх), а ключ Э3-2 —кодом 100b(вниз). Коды управления моей оптической приставки с одним мотором фокусировки- 101b(ближе) и 110b(дальше).

❯ Центр управления: пульты ПТУ-46

Система ПТУ-46/ПТУ-56 предполагает наличие нескольких видеокамер и нескольких видеоконтрольных устройств в одной системе. Для каждой видеокамеры необходим пульт управления её положением в пространстве. За это отвечает четырех-канальный пульт справа. Сначала выбирается одна из четырех видеокамер, затем — соответствующими клавишами видеокамеры направляются на интересующий нас объект.

Именно через правый пульт вся система и запитывается от розетки. 220В приходит в пульт, и выключателем Сеть отправляется на 40-контактный задний разъем в блок питания. С этого же разъема снимаются и все необходимые сигналы управления. Также сзади видны предохранители на 5А, но не надо думать что система потребляет аж 1кВт — просто мало ли вы захотите подключить к нижестоящим розеткам мощный телевизор. Еще сзади видны тумблеры, включающие обогрев стекла на видеокамерах.

Левый пульт позволяет вывести на видеоконтрольное устройство любую из 8 видеокамер. При этом пульт сам по себе пассивен — кнопка «Сеть» лишь подает напряжение на розетку сзади, чтобы более удобно подавать питание на монитор.

Не смотря на то что левый пульт хранился в сухом месте, время и агрессивные среды его не пощадили — блок переключателей серьезно пострадал. Я его полностью перебрал, вернул планку фиксации нажатой кнопки на место и заменил колпачки.

❯ Кровеносная система: источник питания

От пульта ПУ-80 толстенный кабель идет в сторону блока питания, где скрываются 4 независимых канала +27В. Каждый со своим линейным стабилизатором. На фотографии можно заметить, что два предохранителя отсутствуют. Когда все компоненты пришли и я решил проверить его исправность — я обнаружил что ни на одном из выходных разъемов нет питания. Откинув крышку я увидел что две платы стабилизаторов из четырех слегка выскочили из своих разъемов. Странно что они не фиксируются винтами — т.е. виброустойчивости у источника питания нет. По иронии судьбы на тех каналах что остались на месте — перегорели предохранители. Как оказалось потом, предохранитель выходит из строя если разъем на камеру плохо закреплен.

Воткнув платы на место я получил два работающих канала — третий и четвертый, что в моем случае оказалось достаточно. А мелкие предохранители я все еще ищу.

Немного пугает то, что в правом кабеле рядом идут провода +27В и 220В... и последние никак дополнительно не отделены. Отдельно стоит показать кабель на видеокамеру. Крышка разъема тут для внешнего монтажа, с основательной защитой от влаги. Композитный видеосигнал выходит отдельным коаксиальным кабелем на монитор, а толстый многожильный кабель — на блок питания.

❯ Зеркало реальности: видеоконтрольное устройство ВК23В102

Видеомонитор ВК23В102 — самый современный аппарат в данной сборке. 23 в его названии — это размер диагонали в сантиметрах. Согласно документации, выпускались мониторы с диагональю 23, 40, 50 и 61см.

❯ Визуализация эпохи

И вот, после обзора всех компонентов по отдельности собираем всё воедино, пытаясь понять что чувствовали пользователи этой уникальной системы.

Мне очень повезло, что все собранные вместе компоненты системы видеонаблюдения оказались живыми! Каждый из показанных блоков пролежал без дела от 10 до 20 лет. Немыслимые сроки — как правило за это время наглухо высыхают электролитические конденсаторы, прибор перестает работать и не всегда помогает простой рекапинг. Конечно, качество изображения оставляет желать лучшего. Есть надежда что замена видикона ЛИ441 на заведомо новый улучшит ситуацию. Но это не точно.

Источники

1. Бялик Г. И., Богатов Г. Б. Прикладные телевизионные установки, 1959 г.

2. Богданов Г.М. Прикладные телевизионные установки, 1979 г.

Автор текста: radiolok

Написано при поддержке Timeweb Cloud ↩

Больше интересных статей и новостей в нашем блоге на Хабре.

📚 Вам может быть интересно:

• Поднимаем сеть на коаксиальном кабеле в 2026 году

• Как передать сигнал по кабелю правильно

• Винтажная видеокамера SONY

Минуту вашей эмпатии, господа. Сейчас будет история о том, как амбиции разбиваются о суровую реальность зависимостей, а психика программиста - о нежелание технологий дружить друг с другом.

Решил я как-то написать простенький мессенджер на Python. Ну, знаете, накидать бэкенд, прикрутить мобильный клиент - чисто для себя, «делов на вечер». Но когда дело дошло до сборки Apk через Android Studio... тут начался сущий ебаный ад.

Во-первых, сама по себе сборка через Gradle - это уже процесс максимально деструктивный для психики. Но настоящий квест начался, когда выяснилось, что Gradle 9 версии в упор не хочет работать с моим Python 3.14. Оказывается, эта связка просто мертва. Выясняю: всё, что выше версии 3.11, не подходит, потому что начиная с Python 3.12 из дистрибутива вырезали пакет distutils, на котором держалась вся логика сборщика. Думаете, я просто откатился на 3.11 и всё заработало? Как бы не так! 3.11 тоже отказался сотрудничать, потому что у него обновились методы сборки, конфликтовавшие с текущими скриптами. В итоге мне пришлось вызывать духа (ещё живого) Ван Россума и откатывать сам Gradle до версии 8.3.

И тут же прилетает от Java. Старая версия Gradle (чтоб её черти ебали) предсказуемо (не очень) начала конфликтовать с новой JDK. Пришлось материться, удалять всё и откатывать Java до 17-й версии. В этот момент я уже начал подозревать неладное.

Но.. После этого проект наконец-то соизволил собраться... Чтобы мгновенно закрыться сразу после запуска. Я сидел и искал логи, а их просто не было. Logcat девственно еб его мать чист. Только спустя вечность я понял: внутри приложения происходит конфликт фронтенда с бэкендом на таком раннем этапе, что приложение крашится еще до того, как инициализируется система логирования. "Пиздец" подумал я..

Кое-как поправил. Запускаю - висит на регистрации. Тыкаю кнопки - ноль реакции. Спустя сотню проверок и литры слез выясняется (через терминал на сервере): мой фронтенд отправляет данные в формате JSON, а сервер, ПИДАРАС, ждет не JSON, а FORM-DATA.. ЫАААА..

В общем, посмотрел я на эту хуебесию, плюнул на всё, снес проект.. И пошел переписывать всё с нуля на Flutter, чтобы больше никогда в жизни не видеть этот Python-пакет в контексте мобильной разработки.

Знакомьтесь с методом, который я лично тестировал 4 месяца в поисковиках Яндекс и Google. Способ доказал свою эффективность для тех, кто нацелен на приток дополнительного (или даже основного) целевого трафика на лендинг, сайт или интернет-магазин. Один из успешных экспериментов на коммерческом сайте — перед вами:

А теперь чуть предыстории. Где‑то полгода назад я вдруг заметил: с ИИ‑ответов в выдаче Яндекса и Google на мои лендинги, сайты‑визитки, корпоративные сайты и интернет‑магазины (их у меня больше десяти) каждый день идёт приличный трафик.

Я сразу решил поэкспериментировать: как выжать максимум целевых переходов с поиска на те страницы, которые стали появляться в выдаче.

Для себя я разделил всё это на: AI‑ответы, нулевой ответ, ИИ‑выдачу, ИИ‑вопросы, GEO‑запросы, AI mode и генеративный поиск.

Если по сути — всё это про одно: новый поисковый формат с ИИ.

Вариантов названий куча — нулевой ответ, AI‑ответы, GEO‑запросы… Но мне кажется, это просто «масло масляное». Названия разные, а механика в Яндексе и Google один в один.

А теперь — названия для Яндекса

Помните то, что я рассказывал выше? Так вот, для Яндекса это следующие запросы:

— AI ответы

— нулевой ответ

— ИИ‑выдача

— ИИ‑ответы

— ИИ‑вопросы

— GEO‑запросы

Возможно, в 2026 (и позже, в 2027 и т.д.) появятся новые варианты — уже под формат ИИ‑ассистентов, так что я, конечно, буду обновлять перечень.

Короче, эти запросы относятся исключительно к поисковику Яндекс.

Теперь — что принято называть в Google

— AI mode

— генеративный поиск

Однако сюда же вполне подходят:

— ИИ‑выдача

— ИИ‑ответы

— ИИ‑вопросы

По сути, смысл тот же.

Итак, перейдём к самому методу. Без долгих предисловий — сразу, как говорится, к примерам!

Материал взят с официального сайта, здесь.