Эра AI-Driven Zero-Day: как уязвимость PHP2Shell навсегда изменила DevSecOps и кибербезопасность
Прошла неделя с «чёрной среды» 21 октября, когда европейские правительства экстренно гасили свои веб-сервисы из-за критического RCE в ядре PHP (CVE-2026-109618 / 19). Первая волна паники и ночных патчей улеглась, и самое время признать главное: инцидент PHP2Shell — это не просто очередной громкий баг. Это водораздел, разделивший кибербезопасность на «до» и «после».Впервые в истории уязвимость уровня CVSS 10.0 в элементе инфраструктуры, удерживающем ~70% веба, была найдена ИИ-моделью нового поколения в рамках автоматического аудита.
Вышла Gemini 4 Carbon: поиск уязвимостей, кодинг и работа несколько дней подряд
Google DeepMind представила Gemini 4 Carbon — новую флагманскую модель с упором на кибербезопасность, программирование и длительные агентные задачи. По заявлению компании, Carbon получила 59 баллов в Artificial Analysis Intelligence Index v5.0 и вышла на первое место рейтинга.Carbon рассчитана на задачи, которые не заканчиваются одним запросом. Во внутренних испытаниях Google модель работала автономно по несколько дней: разбиралась в больших кодовых базах, искала причины ошибок, исправляла баги и продолжала работу после неудачных попыток.
Попросил ИИ научить меня общаться напрямую с железом
Я хотел убрать все слои абстракции между собой и компьютером. Оставить своё намерение, ИИ и байты, которые исполняет процессор.В процессе появились программы на RISC-V и ARM64, флешка с собственным UEFI-приложением, физический Dell, цветные объекты на экране и кот, которому можно передать новый мир по Bluetooth. Исчезли далеко не все слои. Зато стало понятнее, что именно они делают и сколько работы за нас обычно выполняют.
Условия, в которых рождаются системы. Средовой подход для ИИ‑агентов
Представьте обычный рабочий вечер. Вы оставили агентам задачу, закрыли ноутбук и ушли домой. Утром открываете проект. Там готовая реализация. Агенты разобрались с требованиями, написали код, добавили тесты. Все проверки, включая нагрузочные, интеграционные и e2e‑тесты, проходят.
The Bitter Lesson Ate Your AI Factory
For every AI workflow we define, the next model makes it useless.What’s worse: most of us keep clinging to the outdated workflows for months after they’ve outlived their usefulness.Remember how everyone was excited about AI code completion? How about prompt engineering? Harness engineering? Spec-driven development? Loop engineering? Software factory? Dark factory? They are all dead because of the bitter lesson. To summarize it: no matter what “domain knowledge”, “harness”, or “workflow” you try to integrate above your AI model, it will be outshone by just a larger, smarter model. This happened in chess when the program that beat Kasparov in 1997 won with massive, deep search, not with the human understanding of chess that most researchers had spent years encoding. And it keeps happening to us today.That’s why whenever somebody tries to build yet another factory or a really constraining skill, I roll my eyes since modern models perform worse
Миллион в config.toml, 828 тысяч в Codex и 890 тысяч на входе: что на самом деле значит окно контекста
В ~/.codex/config.toml у меня стоит model_context_window = 1000000. Codex на GPT-6.1 Sol в каждой задаче сообщает окно 828 400. Я разобрал, откуда берётся это число, поднял его до 900 000 своим каталогом моделей и прогнал синтетический вход на 890 547 токенов с контрольными метками.Контрольный запуск показал больше основного: тот же вход на 888 330 токенов прошёл и без моей правки, при окне 828 400. Ниже - как устроены эти числа, как я мерил и чего мерить не стал.Замеры сделаны 27.10.2026 на Codex CLI 0.163.0, вход через подписку ChatGPT. Часть данных - из сентябрьских проб на GPT-6 Astra, это помечено.Откуда 828 400
125 токенов в секунду на RTX 4070 Ti SUPER: как я заставил локальную LLM работать полноценным кодинг-агентом
По статистике, среди рядовых пользователей настольных компов самая распространенная видеокарта имеет 16 ГБ видеопамяти. По опросам GaugeDB, такие карты занимают 27,21% рынка. У меня как раз видеокарта NVIDIA GeForce RTX 4070 Ti SUPER с 16 ГБ видеопамяти GDDR6X, которая на текущий момент стоит 900$. До сего момента главной проблемой было то, что на видеокарте такого класса невозможно было запустить LLM-агента, который будет достаточно умным и достаточно быстрым. Если запускаешь умную модель типа Qwen 3.8 27B (Dense архитектура), то на выходе получаешь 10-20 токенов в секунду. А для комфортной работы кодинг-агента надо 100-150 токенов в секунду.
Как я 2,5 года никому не нужный софт вайбкодил
По моим прошлым статьям «Искусство цифрового мазохизма: как я потратил сотни часов на обложки для сериалов, которые даже не смотрю» и «Как я сделал ремастер «Том и Джерри» в 4K за два года
Выбираем кодинг-агента для Дельфи
Котик тестирует агентовТак уж исторически сложилось, что весь научный и лабораторный софт — от программы рентгеновской рефлектометрии X-Ray Calc до нашего электронного лабораторного журнала

