Why DuckDB 2.0 is faster
چرا DuckDB 2.0 سریع‌تر است
نسخه‌ی alpha مقایسه‌شده با ۱.۵.۵ روی یک لپ‌تاپ: recursive CTEها تا ۹۰ برابر سریع‌تر، نوع داده‌ی VARIANT شش برابر سریع‌تر از JSON متنی، و async I/O روی S3 با ضریب ۲.۴ بهبود یافته. مقاله توضیح می‌دهد چه تغییراتی پشتِ این اعداد است و چطور باید داده را مدل کرد تا این افزایش سرعت را واقعاً لمس کنید.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: بهبودهای ۲.۰ فقط عددبازی نیست — تغییر در نحوه‌ی مدل‌سازیِ داده می‌تواند کوئری‌های واقعی را چند برابر کند.
💡 نکته: عدد ۹۰ برابر برای recursive CTE نشان می‌دهد که engine زیرین کاملاً بازنویسی شده، نه صرفاً fine-tune.
👥 برای کی: توسعه‌دهنده‌هایی که با DuckDB، OLAP یا داده‌های نیمه‌ساختاریافته کار می‌کنند.
🔗 https://motherduck.com/blog/why-duckdb-20-is-faster/
#backend #DuckDB #database
@BenFeed
چرا DuckDB 2.0 سریع‌تر است
نسخه‌ی alpha مقایسه‌شده با ۱.۵.۵ روی یک لپ‌تاپ: recursive CTEها تا ۹۰ برابر سریع‌تر، نوع داده‌ی VARIANT شش برابر سریع‌تر از JSON متنی، و async I/O روی S3 با ضریب ۲.۴ بهبود یافته. مقاله توضیح می‌دهد چه تغییراتی پشتِ این اعداد است و چطور باید داده را مدل کرد تا این افزایش سرعت را واقعاً لمس کنید.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: بهبودهای ۲.۰ فقط عددبازی نیست — تغییر در نحوه‌ی مدل‌سازیِ داده می‌تواند کوئری‌های واقعی را چند برابر کند.
💡 نکته: عدد ۹۰ برابر برای recursive CTE نشان می‌دهد که engine زیرین کاملاً بازنویسی شده، نه صرفاً fine-tune.
👥 برای کی: توسعه‌دهنده‌هایی که با DuckDB، OLAP یا داده‌های نیمه‌ساختاریافته کار می‌کنند.
🔗 https://motherduck.com/blog/why-duckdb-20-is-faster/
#backend #DuckDB #database
@BenFeed
MotherDuck
Why DuckDB 2.0 is faster | MotherDuck
DuckDB 2.0 alpha vs 1.5.5 on one laptop: recursive CTEs up to 90x, VARIANT 6x faster than JSON text, async I/O 2.4x on S3. What changes, and how to model data to get the speedup.
500B Tokens Later: Letting AI Agents Decompile a First-Person Shooter
۵۰۰ میلیارد token بعد: وقتی AI agentها یک بازی شوتر اول‌شخص را decompile می‌کنند
سه ماه وقت و توکن صرف decompile کردن یک بازی شوتر اول‌شخص محبوب شد — نه برای یک proof-of-concept ساده، بلکه برای بازسازی دقیق، پایدار و کامل از آن. نویسنده قبلاً دو پست در این باره نوشته بود که بعداً حذف شدند؛ و دلیلش؟ به قول خودش: «corporate America آمد تا خوشی‌مان را خراب کند.»
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: استفاده از AI agent برای decompile کردن یک codebase واقعی و بزرگ، یکی از سخت‌ترین تست‌های عملی برای سنجش توانایی reasoning و code understanding این مدل‌هاست.
💡 نکته: عدد ۵۰۰ میلیارد token نشان می‌دهد این کار به‌هیچ‌وجه ارزان یا سریع نیست — هزینه و mastery هم‌زمان لازم است.
👥 برای کی: کسانی که روی AI agent، code generation یا reverse engineering کار می‌کنند.
🔗 https://momo5502.com/posts/2026-10-09-game-decompilation/
#ai #LLM
@BenFeed
۵۰۰ میلیارد token بعد: وقتی AI agentها یک بازی شوتر اول‌شخص را decompile می‌کنند
سه ماه وقت و توکن صرف decompile کردن یک بازی شوتر اول‌شخص محبوب شد — نه برای یک proof-of-concept ساده، بلکه برای بازسازی دقیق، پایدار و کامل از آن. نویسنده قبلاً دو پست در این باره نوشته بود که بعداً حذف شدند؛ و دلیلش؟ به قول خودش: «corporate America آمد تا خوشی‌مان را خراب کند.»
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: استفاده از AI agent برای decompile کردن یک codebase واقعی و بزرگ، یکی از سخت‌ترین تست‌های عملی برای سنجش توانایی reasoning و code understanding این مدل‌هاست.
💡 نکته: عدد ۵۰۰ میلیارد token نشان می‌دهد این کار به‌هیچ‌وجه ارزان یا سریع نیست — هزینه و mastery هم‌زمان لازم است.
👥 برای کی: کسانی که روی AI agent، code generation یا reverse engineering کار می‌کنند.
🔗 https://momo5502.com/posts/2026-10-09-game-decompilation/
#ai #LLM
@BenFeed
Maurice's Blog
500+ Billion Tokens Later: Letting AI Agents Decompile A First-Person Shooter
During the last 3 months, I spent some of my time and tokens decompiling a popular first-person shooter. The goal was not to reach a simple proof-of-concept state. Instead, we really wanted an accurate, stable and feature-complete recreation of the game.…
Telegram Desktop vulnerability allowed any user's file to be stolen
یک آسیب‌پذیری در Telegram Desktop اجازه می‌داد فایل‌های هر کاربر دزدیده شود
یک separator فرار‌نشده در مکانیزم IPC تک‌نمونه‌ای Telegram Desktop باعث می‌شد با یک کلیک روی یک لینک، مهاجم بتواند فایل‌های دلخواه از دیسک — از جمله فایل‌های session — را بخواند و برای خودش بفرستد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: دزدیدن فایل session به معنای تصاحب کامل اکانت است بدون نیاز به رمز عبور؛ یک کلیک کافی بود.
💡 نکته: ریشه‌ی باگ در input validation ناقص روی IPC است — یادآوری که حتی مسیرهای ارتباطی داخلی هم باید sanitize بشن.
👥 برای کی: توسعه‌دهنده‌هایی که روی desktop app، IPC یا امنیت client-side کار می‌کنند.
🔗 https://beaksec.github.io/posts/telegram-desktop-one-click-account-takeover/
#backend #security #Telegram
@BenFeed
یک آسیب‌پذیری در Telegram Desktop اجازه می‌داد فایل‌های هر کاربر دزدیده شود
یک separator فرار‌نشده در مکانیزم IPC تک‌نمونه‌ای Telegram Desktop باعث می‌شد با یک کلیک روی یک لینک، مهاجم بتواند فایل‌های دلخواه از دیسک — از جمله فایل‌های session — را بخواند و برای خودش بفرستد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: دزدیدن فایل session به معنای تصاحب کامل اکانت است بدون نیاز به رمز عبور؛ یک کلیک کافی بود.
💡 نکته: ریشه‌ی باگ در input validation ناقص روی IPC است — یادآوری که حتی مسیرهای ارتباطی داخلی هم باید sanitize بشن.
👥 برای کی: توسعه‌دهنده‌هایی که روی desktop app، IPC یا امنیت client-side کار می‌کنند.
🔗 https://beaksec.github.io/posts/telegram-desktop-one-click-account-takeover/
#backend #security #Telegram
@BenFeed
beaksec
Telegram Desktop: one-click account takeover via IPC injection
An unescaped separator in Telegram Desktop’s single-instance IPC lets one clicked link read arbitrary files off the disk and send them to the attacker, session files included.
Next.js 16.4
نسخه‌ی ۱۶.۴ فریم‌ورک Next.js منتشر شد
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: هر نسخه‌ی minor از Next.js معمولاً تغییراتی در رفتار routing، caching یا server componentها داره که مستقیم روی production appها اثر می‌ذاره.
💡 نکته: قبل از upgrade، changelog رو بررسی کنید؛ Next.js در نسخه‌های اخیر چرخه‌ی تغییرات breaking رو کوتاه‌تر کرده.
👥 برای کی: توسعه‌دهنده‌هایی که روی پروژه‌های React با Next.js کار می‌کنند.
🔗 https://nextjs.org/blog/next-16-4
#frontend #nextjs
@BenFeed
نسخه‌ی ۱۶.۴ فریم‌ورک Next.js منتشر شد
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: هر نسخه‌ی minor از Next.js معمولاً تغییراتی در رفتار routing، caching یا server componentها داره که مستقیم روی production appها اثر می‌ذاره.
💡 نکته: قبل از upgrade، changelog رو بررسی کنید؛ Next.js در نسخه‌های اخیر چرخه‌ی تغییرات breaking رو کوتاه‌تر کرده.
👥 برای کی: توسعه‌دهنده‌هایی که روی پروژه‌های React با Next.js کار می‌کنند.
🔗 https://nextjs.org/blog/next-16-4
#frontend #nextjs
@BenFeed
nextjs.org
Next.js 16.4
Next.js 16.4 introduces lazy compilation, smaller Turbopack output, React 19.3 features, Cache Components improvements, and new developer tooling.
Shredding JSON columns gave Logfire up to 1000x faster queries
تکنیک Shredding روی ستون‌های JSON باعث شد queryهای Logfire تا ۱۰۰۰ برابر سریع‌تر بشن
تکنیک dynamic shredding باعث شده اکثریت queryهای Logfire هزار برابر سریع‌تر اجرا بشن — و برخی مشتریان early adopter گزارش دادن که بهبود بیش از ۱۰۰۰ برابری در query performance تجربه کردن.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: ذخیره‌سازی داده‌های نیمه‌ساختاریافته در ستون‌های JSON یکی از گلوگاه‌های کلاسیک performance در سیستم‌های observability و analytics هست؛ این رویکرد نشون می‌ده می‌شه بدون تغییر schema از طرف کاربر، سرعت رو به‌طور چشمگیری بالا برد.
💡 نکته: کلمه‌ی «dynamic» اینجا کلیدیه — shredding به‌صورت خودکار و بدون نیاز به تعریف schema از پیش انجام می‌شه که این رویکرد رو از راه‌حل‌های سنتی جدا می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی backend، observability، یا سیستم‌های analytics با داده‌های JSON کار می‌کنن.
🔗 https://pydantic.dev/articles/dynamic-shredding-2026-01-26
#backend #database #Logfire
@BenFeed
تکنیک Shredding روی ستون‌های JSON باعث شد queryهای Logfire تا ۱۰۰۰ برابر سریع‌تر بشن
تکنیک dynamic shredding باعث شده اکثریت queryهای Logfire هزار برابر سریع‌تر اجرا بشن — و برخی مشتریان early adopter گزارش دادن که بهبود بیش از ۱۰۰۰ برابری در query performance تجربه کردن.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: ذخیره‌سازی داده‌های نیمه‌ساختاریافته در ستون‌های JSON یکی از گلوگاه‌های کلاسیک performance در سیستم‌های observability و analytics هست؛ این رویکرد نشون می‌ده می‌شه بدون تغییر schema از طرف کاربر، سرعت رو به‌طور چشمگیری بالا برد.
💡 نکته: کلمه‌ی «dynamic» اینجا کلیدیه — shredding به‌صورت خودکار و بدون نیاز به تعریف schema از پیش انجام می‌شه که این رویکرد رو از راه‌حل‌های سنتی جدا می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی backend، observability، یا سیستم‌های analytics با داده‌های JSON کار می‌کنن.
🔗 https://pydantic.dev/articles/dynamic-shredding-2026-01-26
#backend #database #Logfire
@BenFeed
pydantic.dev
How shredding JSON is giving Logfire 1000x query speedups
How dynamic shredding makes the vast majority of queries in Logfire a thousand times faster, with early adopter customers reporting more than 1000x improvement on query performance.
Andrej Karpathy breaks down the capability gap
آندره‌ی کارپاتی شکاف درک از توانایی‌های LLM را تشریح می‌کند
این توییت از آوریل را دوباره مطرح می‌کند چون شکاف در درک مشترک از توانایی‌های LLM دارد بزرگ‌تر می‌شود — دیگر نه «دو گروه که از کنار هم حرف می‌زنند»، بلکه یک قیف تیز است. حساب سرانگشتی می‌گوید حدود ۶ میلیارد نفر (۷۵٪ جمعیت) هنوز تقریباً هیچ تماسی با LLMها نداشته‌اند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وقتی درک از توانایی‌های واقعی LLMها این‌قدر غیریکنواخت باشد، تصمیم‌گیری درباره‌ی product، adoption و سیاست‌گذاری همگی روی پایه‌ی غلط می‌ایستند.
💡 نکته: این شکاف یعنی اکثر کاربران بالقوه هنوز در مرحله‌ی «باور» گیر کرده‌اند، نه مرحله‌ی «بهینه‌سازی استفاده» — فرصت یا ریسک بزرگی برای هر کسی که product می‌سازد.
👥 برای کی: توسعه‌دهنده‌هایی که روی product، onboarding یا developer experience کار می‌کنند.
🔗 https://twitter.com/karpathy/status/2109361546505966046
#ai #LLM
@BenFeed
آندره‌ی کارپاتی شکاف درک از توانایی‌های LLM را تشریح می‌کند
این توییت از آوریل را دوباره مطرح می‌کند چون شکاف در درک مشترک از توانایی‌های LLM دارد بزرگ‌تر می‌شود — دیگر نه «دو گروه که از کنار هم حرف می‌زنند»، بلکه یک قیف تیز است. حساب سرانگشتی می‌گوید حدود ۶ میلیارد نفر (۷۵٪ جمعیت) هنوز تقریباً هیچ تماسی با LLMها نداشته‌اند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وقتی درک از توانایی‌های واقعی LLMها این‌قدر غیریکنواخت باشد، تصمیم‌گیری درباره‌ی product، adoption و سیاست‌گذاری همگی روی پایه‌ی غلط می‌ایستند.
💡 نکته: این شکاف یعنی اکثر کاربران بالقوه هنوز در مرحله‌ی «باور» گیر کرده‌اند، نه مرحله‌ی «بهینه‌سازی استفاده» — فرصت یا ریسک بزرگی برای هر کسی که product می‌سازد.
👥 برای کی: توسعه‌دهنده‌هایی که روی product، onboarding یا developer experience کار می‌کنند.
🔗 https://twitter.com/karpathy/status/2109361546505966046
#ai #LLM
@BenFeed
X (formerly Twitter)
Andrej Karpathy (@karpathy) on X
Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel.
…
…
Show HN: Plimsoll, a self-hosted sandbox for code your AI agent writes
معرفی Plimsoll: یک sandbox خودمیزبان برای کدی که AI agent می‌نویسد
سرویسی برای اجرای کدِ نامعتمدِ تولیدشده توسط agent، که بعد از هر اجرا مشخص می‌کند پشتِ کدام مرز ایزولاسیون کار کرده است. آموزش‌ها بدون نیاز به clone کردن repo در دسترس‌اند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: هر کسی که یک AI agent روی سرورش اجرا می‌کند، ریسک اجرای کدِ دلخواه دارد؛ Plimsoll یک لایه‌ی sandbox قابل self-host اضافه می‌کند و مرز ایزولاسیون را شفاف گزارش می‌دهد.
💡 نکته: گزارش‌دهیِ «کدام boundary اجرا شد» برای debugging و audit امنیتی خیلی ارزشمندتر از یک sandbox صرف است.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent، code execution یا infrastructure امنیتی کار می‌کنند.
🔗 https://github.com/plimsollmark/plimsoll
#ai #backend #agent
@BenFeed
معرفی Plimsoll: یک sandbox خودمیزبان برای کدی که AI agent می‌نویسد
سرویسی برای اجرای کدِ نامعتمدِ تولیدشده توسط agent، که بعد از هر اجرا مشخص می‌کند پشتِ کدام مرز ایزولاسیون کار کرده است. آموزش‌ها بدون نیاز به clone کردن repo در دسترس‌اند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: هر کسی که یک AI agent روی سرورش اجرا می‌کند، ریسک اجرای کدِ دلخواه دارد؛ Plimsoll یک لایه‌ی sandbox قابل self-host اضافه می‌کند و مرز ایزولاسیون را شفاف گزارش می‌دهد.
💡 نکته: گزارش‌دهیِ «کدام boundary اجرا شد» برای debugging و audit امنیتی خیلی ارزشمندتر از یک sandbox صرف است.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent، code execution یا infrastructure امنیتی کار می‌کنند.
🔗 https://github.com/plimsollmark/plimsoll
#ai #backend #agent
@BenFeed
GitHub
GitHub - plimsollmark/plimsoll: A sandbox service for running untrusted, agent-authored code that reports the isolation boundary…
A sandbox service for running untrusted, agent-authored code that reports the isolation boundary each run executed behind. Lessons, no clone needed: https://plimsollmark.github.io/plimsoll/trainers...
SQLAlchemy 2.1.0 Released
انتشار SQLAlchemy نسخه‌ی ۲.۱.۰
ابزار جامع database برای Python رسماً به نسخه‌ی ۲.۱.۰ رسید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: SQLAlchemy یکی از پرکاربردترین ORMها در اکوسیستم Python است و هر نسخه‌ی minor آن می‌تواند روی پروژه‌های production تأثیر بگذارد.
💡 نکته: قبل از upgrade، changelog را بررسی کنید — نسخه‌های ۲.x گاهی breaking changeهای ظریف در رفتار session و mapping دارند.
👥 برای کی: توسعه‌دهنده‌های Python که از SQLAlchemy در backend یا data pipeline استفاده می‌کنند.
🔗 https://www.sqlalchemy.org/blog/2026/09/24/sqlalchemy-2.1.0-released/
#backend #Python #SQLAlchemy
@BenFeed
انتشار SQLAlchemy نسخه‌ی ۲.۱.۰
ابزار جامع database برای Python رسماً به نسخه‌ی ۲.۱.۰ رسید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: SQLAlchemy یکی از پرکاربردترین ORMها در اکوسیستم Python است و هر نسخه‌ی minor آن می‌تواند روی پروژه‌های production تأثیر بگذارد.
💡 نکته: قبل از upgrade، changelog را بررسی کنید — نسخه‌های ۲.x گاهی breaking changeهای ظریف در رفتار session و mapping دارند.
👥 برای کی: توسعه‌دهنده‌های Python که از SQLAlchemy در backend یا data pipeline استفاده می‌کنند.
🔗 https://www.sqlalchemy.org/blog/2026/09/24/sqlalchemy-2.1.0-released/
#backend #Python #SQLAlchemy
@BenFeed
www.sqlalchemy.org
The Database Toolkit for Python
Recursive self-improvement through collective intelligence
بهبود بازگشتیِ خود از طریق هوش جمعی
یک language model که خودش task حل می‌کند، workflow طراحی می‌کند، نتایج را ارزیابی می‌کند و از اجرای multi-agent یاد می‌گیرد — این چیزی است که MASS بررسی می‌کند: بهبود بازگشتیِ خود در عمل.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی یک model هم طراحِ workflow است هم ارزیاب، حلقه‌ی بهبود بدون دخالت انسان می‌چرخد — این مرز بین fine-tuning دستی و یادگیری خودکار را جدی به چالش می‌کشد.
💡 نکته: ترکیبِ reasoning، planning و evaluation در یک agent واحد نشان می‌دهد که multi-agent execution نه فقط ابزار موازی‌سازی، بلکه منبعِ داده برای یادگیری است.
👥 برای کی: کسانی که روی agent، LLM fine-tuning یا سیستم‌های multi-agent کار می‌کنند.
🔗 https://pub.sakana.ai/mass/
#ai #LLM #agent
@BenFeed
بهبود بازگشتیِ خود از طریق هوش جمعی
یک language model که خودش task حل می‌کند، workflow طراحی می‌کند، نتایج را ارزیابی می‌کند و از اجرای multi-agent یاد می‌گیرد — این چیزی است که MASS بررسی می‌کند: بهبود بازگشتیِ خود در عمل.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی یک model هم طراحِ workflow است هم ارزیاب، حلقه‌ی بهبود بدون دخالت انسان می‌چرخد — این مرز بین fine-tuning دستی و یادگیری خودکار را جدی به چالش می‌کشد.
💡 نکته: ترکیبِ reasoning، planning و evaluation در یک agent واحد نشان می‌دهد که multi-agent execution نه فقط ابزار موازی‌سازی، بلکه منبعِ داده برای یادگیری است.
👥 برای کی: کسانی که روی agent، LLM fine-tuning یا سیستم‌های multi-agent کار می‌کنند.
🔗 https://pub.sakana.ai/mass/
#ai #LLM #agent
@BenFeed
Sakana AI
Multi-Agent Self-Supervision (MASS)
Self-supervision through better coordination among agents that share one language model.
I Found a $90k Remote Code Execution Vulnerability in Google
کشف یک آسیب‌پذیری ۹۰ هزار دلاری Remote Code Execution در Google
یک cookie از نوع Flask روی سایت developers.google.com با یک secret امضا شده بود که همان secret داخل خودِ cookie هم وجود داشت. بیرون کشیدن آن secret، جعل session را به اجرای کد روی هفت دامنه‌ی Google تبدیل کرد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: این باگ نشان می‌دهد که یک اشتباه ساده در مدیریت secret — قرار دادن کلید داخل چیزی که با همان کلید امضا می‌شود — می‌تواند به RCE کامل تبدیل شود، حتی روی زیرساخت Google.
💡 نکته: مشکل اصلی pickle deserialization در Flask sessionهاست؛ هر کسی که از Flask استفاده می‌کند باید مطمئن شود secret_key هرگز در client-side قابل دسترس نباشد.
👥 برای کی: توسعه‌دهنده‌های backend و security engineerهایی که با Flask یا هر framework مبتنی بر signed session کار می‌کنند.
🔗 https://simonkoeck.com/writeups/google-devsite-flask-session-pickle-rce
#backend #security #Flask
@BenFeed
کشف یک آسیب‌پذیری ۹۰ هزار دلاری Remote Code Execution در Google
یک cookie از نوع Flask روی سایت developers.google.com با یک secret امضا شده بود که همان secret داخل خودِ cookie هم وجود داشت. بیرون کشیدن آن secret، جعل session را به اجرای کد روی هفت دامنه‌ی Google تبدیل کرد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: این باگ نشان می‌دهد که یک اشتباه ساده در مدیریت secret — قرار دادن کلید داخل چیزی که با همان کلید امضا می‌شود — می‌تواند به RCE کامل تبدیل شود، حتی روی زیرساخت Google.
💡 نکته: مشکل اصلی pickle deserialization در Flask sessionهاست؛ هر کسی که از Flask استفاده می‌کند باید مطمئن شود secret_key هرگز در client-side قابل دسترس نباشد.
👥 برای کی: توسعه‌دهنده‌های backend و security engineerهایی که با Flask یا هر framework مبتنی بر signed session کار می‌کنند.
🔗 https://simonkoeck.com/writeups/google-devsite-flask-session-pickle-rce
#backend #security #Flask
@BenFeed
Simon Koeck
How I Found a $90,000 Remote Code Execution Vulnerability in Google | Simon Koeck
A Flask cookie on developers.google.com was signed with a secret it carried inside itself. Pulling that secret out turned a forged session into code execution across Google's developer sites.
Why aren't AI companies being charged for hacking?
چرا شرکت‌های هوش مصنوعی به خاطر هک کردن تحت پیگرد قانونی نیستند؟
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: scraping داده بدون اجازه از سرورها در بسیاری از تعاریف حقوقی با هک تفاوت چندانی ندارد، ولی شرکت‌های AI تاکنون از این پیگردها مصون مانده‌اند — این خلاء قانونی می‌تواند کل اکوسیستم را تحت‌تأثیر بگذارد.
💡 نکته: اگر همان قوانینی که علیه هکرهای معمولی اجرا می‌شود روی شرکت‌های AI اعمال شود، training pipeline اکثر LLMها زیر سؤال می‌رود.
👥 برای کی: توسعه‌دهنده‌هایی که روی dataset، scraping یا ساخت محصول مبتنی بر AI کار می‌کنند.
🔗 https://mortoray.com/why-arent-ai-companies-being-charged-for-hacking/
#ai #LLM
@BenFeed
چرا شرکت‌های هوش مصنوعی به خاطر هک کردن تحت پیگرد قانونی نیستند؟
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: scraping داده بدون اجازه از سرورها در بسیاری از تعاریف حقوقی با هک تفاوت چندانی ندارد، ولی شرکت‌های AI تاکنون از این پیگردها مصون مانده‌اند — این خلاء قانونی می‌تواند کل اکوسیستم را تحت‌تأثیر بگذارد.
💡 نکته: اگر همان قوانینی که علیه هکرهای معمولی اجرا می‌شود روی شرکت‌های AI اعمال شود، training pipeline اکثر LLMها زیر سؤال می‌رود.
👥 برای کی: توسعه‌دهنده‌هایی که روی dataset، scraping یا ساخت محصول مبتنی بر AI کار می‌کنند.
🔗 https://mortoray.com/why-arent-ai-companies-being-charged-for-hacking/
#ai #LLM
@BenFeed
Musing Mortoray
Why aren't AI companies being charged for hacking? - Musing Mortoray
AI companies claim their hacks were unpredictable accidents — but they follow foreseeably from deliberate design choices, and that establishes criminal intent.
Janas: Run LLMs larger than RAM by streaming experts from SSD
اجرای LLMهای بزرگ‌تر از RAM با stream کردن expertها از SSD
روی یک لپ‌تاپ ۳۲ گیگابایتی، مدل Qwen3-Next-80B با حجم ۴۸ گیگابایت سرعت ۳۷ توکن در ثانیه می‌دهد — در مقابل ۲.۸ توکن در ثانیه‌ی llama.cpp. پروژه‌ی Janas با معماری pure C و رویکرد streaming expertها از SSD، در مقایسه روی ۱۳ مدل با فرمت Q4_K_M از llama.cpp سریع‌تر است.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اجرای مدل‌های بزرگ بدون GPU گران‌قیمت یا RAM انبوه دیگر یک محدودیت سخت نیست؛ این رویکرد می‌تواند inference محلی را برای توسعه‌دهنده‌های عادی عملی کند.
💡 نکته: بازدهی واقعی از معماری MoE می‌آید — به‌جای بارگذاری کل مدل، فقط expertهای فعال از SSD stream می‌شوند که این ایده در llama.cpp پیاده‌سازی نشده.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLMهای بزرگ را روی سخت‌افزار معمولی اجرا کنند.
🔗 https://github.com/prabanta-dev/janas
#ai #LLM #inference
@BenFeed
اجرای LLMهای بزرگ‌تر از RAM با stream کردن expertها از SSD
روی یک لپ‌تاپ ۳۲ گیگابایتی، مدل Qwen3-Next-80B با حجم ۴۸ گیگابایت سرعت ۳۷ توکن در ثانیه می‌دهد — در مقابل ۲.۸ توکن در ثانیه‌ی llama.cpp. پروژه‌ی Janas با معماری pure C و رویکرد streaming expertها از SSD، در مقایسه روی ۱۳ مدل با فرمت Q4_K_M از llama.cpp سریع‌تر است.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: اجرای مدل‌های بزرگ بدون GPU گران‌قیمت یا RAM انبوه دیگر یک محدودیت سخت نیست؛ این رویکرد می‌تواند inference محلی را برای توسعه‌دهنده‌های عادی عملی کند.
💡 نکته: بازدهی واقعی از معماری MoE می‌آید — به‌جای بارگذاری کل مدل، فقط expertهای فعال از SSD stream می‌شوند که این ایده در llama.cpp پیاده‌سازی نشده.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLMهای بزرگ را روی سخت‌افزار معمولی اجرا کنند.
🔗 https://github.com/prabanta-dev/janas
#ai #LLM #inference
@BenFeed
GitHub
GitHub - prabanta-dev/janas: 37 tok/s from Qwen3-Next-80B (48 GB) on a 32 GB laptop, 24 without drafts vs 2.8 for llama.cpp; reading…
37 tok/s from Qwen3-Next-80B (48 GB) on a 32 GB laptop, 24 without drafts vs 2.8 for llama.cpp; reading 62 vs 16 tok/s. Faster than llama.cpp on all 13 models compared in Q4_K_M. LLMs bigger than y...
Codex CLI installs a persistent, self-updating background daemon by default
نصب خودکارِ daemon پایدار و self-updating توسط Codex CLI — بدون اجازه
نسخه‌ی CLI 0.157.0 از Codex که از طریق npm install -g @openai/codex نصب می‌شود، به‌صورت پیش‌فرض یک background daemon راه‌اندازی می‌کند که خودش را هم به‌روز نگه می‌دارد — بدون اینکه از کاربر بپرسد. درخواست کاربران اینه که daemon_auto_start حداقل opt-in باشد یا قبل از شروع یک بار تأیید گرفته شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: نصبِ یک process پایدار و self-updating روی سیستم کاربر بدون رضایت صریح، یک نگرانیِ جدیِ امنیتی و حریمِ خصوصی است — مخصوصاً در محیط‌های حساسِ enterprise.
💡 نکته: اینکه یک CLI tool بدون اطلاع کاربر daemon نصب کند، مرزِ اعتماد بین developer tool و malware را کمرنگ می‌کند.
👥 برای کی: توسعه‌دهنده‌هایی که Codex CLI را روی Linux یا WSL2 نصب کرده‌اند یا قصد دارند.
🔗 https://github.com/openai/codex/issues/48195
#ai #devops #LLM
@BenFeed
نصب خودکارِ daemon پایدار و self-updating توسط Codex CLI — بدون اجازه
نسخه‌ی CLI 0.157.0 از Codex که از طریق npm install -g @openai/codex نصب می‌شود، به‌صورت پیش‌فرض یک background daemon راه‌اندازی می‌کند که خودش را هم به‌روز نگه می‌دارد — بدون اینکه از کاربر بپرسد. درخواست کاربران اینه که daemon_auto_start حداقل opt-in باشد یا قبل از شروع یک بار تأیید گرفته شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: نصبِ یک process پایدار و self-updating روی سیستم کاربر بدون رضایت صریح، یک نگرانیِ جدیِ امنیتی و حریمِ خصوصی است — مخصوصاً در محیط‌های حساسِ enterprise.
💡 نکته: اینکه یک CLI tool بدون اطلاع کاربر daemon نصب کند، مرزِ اعتماد بین developer tool و malware را کمرنگ می‌کند.
👥 برای کی: توسعه‌دهنده‌هایی که Codex CLI را روی Linux یا WSL2 نصب کرده‌اند یا قصد دارند.
🔗 https://github.com/openai/codex/issues/48195
#ai #devops #LLM
@BenFeed
GitHub
CLI: make `daemon_auto_start` opt-in — a persistent, self-updating background daemon shouldn't be the default · Issue #48195 ·…
What variant of Codex are you using? CLI — 0.157.0, installed via npm install -g @openai/codex, Linux (WSL2) What feature would you like to see? Please make daemon_auto_start opt-in (default false)...
AI models may be capable of self-replicating without access to a datacenter
مدل‌های هوش مصنوعی ممکن است بدون نیاز به datacenter قادر به self-replication باشند
مدل‌های کوچک هوش مصنوعی شاید تنها چند ماه دیگر بتوانند روی دستگاه‌های ارزان‌قیمت IoT مثل Android TV boxها خودشان را تکثیر کنند — بدون اینکه به هیچ datacenterای نیاز داشته باشند.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: self-replication بدون زیرساخت متمرکز یعنی مدل‌ها می‌توانند فراتر از کنترل‌های معمول گسترش پیدا کنند — این یک تغییر بنیادی در معادلات AI safety است.
💡 نکته: وقتی یک مدل می‌تواند روی سخت‌افزار ارزان و پراکنده اجرا و تکثیر شود، مکانیزم‌های containment مبتنی بر datacenter دیگر کافی نیستند.
👥 برای کی: همه‌ی کسانی که روی AI safety، edge deployment یا سیاست‌گذاری هوش مصنوعی کار می‌کنند.
🔗 https://www.anthropic.com/research/self-replicating-ai
#ai #LLM #AISafety
@BenFeed
مدل‌های هوش مصنوعی ممکن است بدون نیاز به datacenter قادر به self-replication باشند
مدل‌های کوچک هوش مصنوعی شاید تنها چند ماه دیگر بتوانند روی دستگاه‌های ارزان‌قیمت IoT مثل Android TV boxها خودشان را تکثیر کنند — بدون اینکه به هیچ datacenterای نیاز داشته باشند.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: self-replication بدون زیرساخت متمرکز یعنی مدل‌ها می‌توانند فراتر از کنترل‌های معمول گسترش پیدا کنند — این یک تغییر بنیادی در معادلات AI safety است.
💡 نکته: وقتی یک مدل می‌تواند روی سخت‌افزار ارزان و پراکنده اجرا و تکثیر شود، مکانیزم‌های containment مبتنی بر datacenter دیگر کافی نیستند.
👥 برای کی: همه‌ی کسانی که روی AI safety، edge deployment یا سیاست‌گذاری هوش مصنوعی کار می‌کنند.
🔗 https://www.anthropic.com/research/self-replicating-ai
#ai #LLM #AISafety
@BenFeed
Anthropic
AI models may be capable of self-replicating without access to a datacenter
Small AI models may be only months away from being able to self-replicate across cheap IoT devices like Android TV boxes, with no datacenter needed.
Muse Spark Open, the Most Capable US Open‑Weight Model to Date
قوی‌ترین open-weight مدل آمریکایی تاکنون: Muse Spark Open
مدل Muse Spark Open قوی‌ترین open-weight مدل آمریکایی تا به امروز معرفی شده و قابلیت‌های پیشرفته‌ی agentic را مستقیم روی دسکتاپ و از طریق Apple M5 Ultra Mac Studios در اختیار کاربران می‌گذارد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: رقابت open-weight مدل‌های آمریکایی داره جدی‌تر می‌شه و اجرای local یک مدل قدرتمند agentic روی سخت‌افزار consumer-grade، مرزِ دسترسی به AI رو جابه‌جا می‌کنه.
💡 نکته: تمرکز روی Apple Silicon نشون می‌ده که بهینه‌سازی برای edge inference دیگه یک نکته‌ی فرعی نیست، بلکه بخشِ اصلیِ استراتژی deploy مدل‌های بزرگ شده.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent، local inference یا اپلیکیشن‌های مبتنی بر LLM کار می‌کنند.
🔗 https://research.meta.ai/blog/muse-spark-open
#ai #LLM #agent
@BenFeed
قوی‌ترین open-weight مدل آمریکایی تاکنون: Muse Spark Open
مدل Muse Spark Open قوی‌ترین open-weight مدل آمریکایی تا به امروز معرفی شده و قابلیت‌های پیشرفته‌ی agentic را مستقیم روی دسکتاپ و از طریق Apple M5 Ultra Mac Studios در اختیار کاربران می‌گذارد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: رقابت open-weight مدل‌های آمریکایی داره جدی‌تر می‌شه و اجرای local یک مدل قدرتمند agentic روی سخت‌افزار consumer-grade، مرزِ دسترسی به AI رو جابه‌جا می‌کنه.
💡 نکته: تمرکز روی Apple Silicon نشون می‌ده که بهینه‌سازی برای edge inference دیگه یک نکته‌ی فرعی نیست، بلکه بخشِ اصلیِ استراتژی deploy مدل‌های بزرگ شده.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent، local inference یا اپلیکیشن‌های مبتنی بر LLM کار می‌کنند.
🔗 https://research.meta.ai/blog/muse-spark-open
#ai #LLM #agent
@BenFeed
Meta AI Research
Introducing Muse Spark Open, The Most Capable US Open‑Weight Model to Date
Muse Spark Open is the most capable US open-weight model to date, and brings leading agentic capabilities to your desktop on Apple M5 Ultra Mac Studios.
Anthropic Update on Independent Evaluators
به‌روزرسانی Anthropic درباره‌ی ارزیاب‌های مستقل
Anthropic به‌روزرسانی‌هایی درباره‌ی نحوه‌ی جاسازی evaluatorهای مستقل در فرآیندهایش اعلام کرد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وجود evaluatorهای مستقل یعنی Anthropic داره نظارت بیرونی روی مدل‌هاش رو جدی می‌گیره — قدمی که اعتماد به AI safety رو ملموس‌تر می‌کنه.
💡 نکته: این حرکت فشار بیشتری روی بقیه‌ی شرکت‌های AI می‌ذاره که evaluationهاشون رو از داخل به بیرون ببرن.
👥 برای کی: کسانی که روی AI safety، evaluation یا governance کار می‌کنن.
🔗 https://www.anthropic.com/news/an-update-on-independent-evaluators
#ai #LLM
@BenFeed
به‌روزرسانی Anthropic درباره‌ی ارزیاب‌های مستقل
Anthropic به‌روزرسانی‌هایی درباره‌ی نحوه‌ی جاسازی evaluatorهای مستقل در فرآیندهایش اعلام کرد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: وجود evaluatorهای مستقل یعنی Anthropic داره نظارت بیرونی روی مدل‌هاش رو جدی می‌گیره — قدمی که اعتماد به AI safety رو ملموس‌تر می‌کنه.
💡 نکته: این حرکت فشار بیشتری روی بقیه‌ی شرکت‌های AI می‌ذاره که evaluationهاشون رو از داخل به بیرون ببرن.
👥 برای کی: کسانی که روی AI safety، evaluation یا governance کار می‌کنن.
🔗 https://www.anthropic.com/news/an-update-on-independent-evaluators
#ai #LLM
@BenFeed
Anthropic
An update on independent evaluators
Anthropic announces updates to embedding independent evaluators
TIME has named Google SynthID one of the Best Inventions of 2026.
مجله‌ی TIME گوگل SynthID را در فهرست بهترین اختراعات ۲۰۲۶ قرار داد.
مجله‌ی TIME تکنولوژی SynthID گوگل را به‌عنوان یکی از بهترین اختراعات سال ۲۰۲۶ انتخاب کرد؛ رویکردی که در زمینه‌ی watermarking و تأییدِ محتوای تولیدشده توسط هوش مصنوعی پیشگام است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش محتوای AI-generated، ابزارهایی مثل SynthID برای تشخیص منشأ محتوا به زیرساختِ ضروریِ اینترنت تبدیل می‌شن.
💡 نکته: watermarking نامرئی روی متن و تصویر یعنی تشخیصِ محتوای جعلی دیگه نیازی به متادیتای خارجی نداره — این رویکرد اگر جا بیفته، بازیِ content verification رو عوض می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی content moderation، AI safety یا پلتفرم‌های رسانه‌ای کار می‌کنن.
🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-time-best-inventions/
#ai #LLM #SynthID
@BenFeed
مجله‌ی TIME گوگل SynthID را در فهرست بهترین اختراعات ۲۰۲۶ قرار داد.
مجله‌ی TIME تکنولوژی SynthID گوگل را به‌عنوان یکی از بهترین اختراعات سال ۲۰۲۶ انتخاب کرد؛ رویکردی که در زمینه‌ی watermarking و تأییدِ محتوای تولیدشده توسط هوش مصنوعی پیشگام است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش محتوای AI-generated، ابزارهایی مثل SynthID برای تشخیص منشأ محتوا به زیرساختِ ضروریِ اینترنت تبدیل می‌شن.
💡 نکته: watermarking نامرئی روی متن و تصویر یعنی تشخیصِ محتوای جعلی دیگه نیازی به متادیتای خارجی نداره — این رویکرد اگر جا بیفته، بازیِ content verification رو عوض می‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی content moderation، AI safety یا پلتفرم‌های رسانه‌ای کار می‌کنن.
🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-time-best-inventions/
#ai #LLM #SynthID
@BenFeed
Google
TIME has named Google SynthID one of the Best Inventions of 2026.
TIME named Google SynthID a Best Invention of 2026 for its groundbreaking approach to AI watermarking and verification.
C++26 Contracts: Introduction to Preconditions and Postconditions
آشنایی با Preconditionها و Postconditionها در C++26 Contracts
در مقاله‌ی مربوط به Standard Library hardening، بررسی کردیم که چطور دسترسی نامعتبر به containerها و شکستن preconditionها شناسایی می‌شود — و اشاره شد که این الزامات با «contracts» بیان می‌شوند. حالا نوبت کد خودمان است: در این پست با contracts در C++26 آشنا می‌شویم، از یک cassert ساده شروع می‌کنیم، الزام را به داخل تابع منتقل می‌کنیم، و می‌بینیم چطور نتایج را هم می‌توان بررسی کرد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: contracts در C++26 یکی از بزرگ‌ترین اضافه‌های این استاندارد برای نوشتن کدِ defensive و self-documenting است و جایگزین الگوهای پراکنده‌ی assert می‌شود.
💡 نکته: داشتن precondition و postcondition به‌عنوان بخشی از signature تابع، مرز بین مسئولیت caller و callee را صریح می‌کند — چیزی که documentation و comment هرگز نمی‌توانستند تضمین کنند.
👥 برای کی: توسعه‌دهنده‌های C++ که روی کدبیس‌های بزرگ، کتابخانه‌های عمومی یا سیستم‌های حساس به safety کار می‌کنند.
🔗 https://www.cppstories.com/2026/cpp26_contracts/
#backend #cpp #contracts
@BenFeed
آشنایی با Preconditionها و Postconditionها در C++26 Contracts
در مقاله‌ی مربوط به Standard Library hardening، بررسی کردیم که چطور دسترسی نامعتبر به containerها و شکستن preconditionها شناسایی می‌شود — و اشاره شد که این الزامات با «contracts» بیان می‌شوند. حالا نوبت کد خودمان است: در این پست با contracts در C++26 آشنا می‌شویم، از یک cassert ساده شروع می‌کنیم، الزام را به داخل تابع منتقل می‌کنیم، و می‌بینیم چطور نتایج را هم می‌توان بررسی کرد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: contracts در C++26 یکی از بزرگ‌ترین اضافه‌های این استاندارد برای نوشتن کدِ defensive و self-documenting است و جایگزین الگوهای پراکنده‌ی assert می‌شود.
💡 نکته: داشتن precondition و postcondition به‌عنوان بخشی از signature تابع، مرز بین مسئولیت caller و callee را صریح می‌کند — چیزی که documentation و comment هرگز نمی‌توانستند تضمین کنند.
👥 برای کی: توسعه‌دهنده‌های C++ که روی کدبیس‌های بزرگ، کتابخانه‌های عمومی یا سیستم‌های حساس به safety کار می‌کنند.
🔗 https://www.cppstories.com/2026/cpp26_contracts/
#backend #cpp #contracts
@BenFeed
C++ Stories
C++26 Contracts: Introduction to Preconditions and Postconditions
In the article about Standard Library hardening, we looked at checks for invalid Standard Library container access and other broken preconditions. I mentioned that those requirements are expressed in terms of “contracts”. But what about our code?
In this…
In this…
Using AI to reverse engineer hardware
استفاده از AI برای reverse engineer کردن سخت‌افزار
بعد از فوت مادرم، یک جعبه‌ی بزرگ پر از نگاتیو‌های قدیمی به دستم رسید — عکس‌هایی از سفرهای خانوادگی دوران کودکی. تصمیم گرفتم یک اسکنر نگاتیو بخرم و به Plustek 8200i رسیدم...
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: نشون می‌ده AI می‌تونه در reverse engineering سخت‌افزارهایی که driver یا مستندات کافی ندارن واقعاً مفید باشه — مشکلی که خیلی از توسعه‌دهنده‌های Linux باهاش دست‌وپنجه نرم می‌کنن.
💡 نکته: این رویکرد می‌تونه شکاف بین سخت‌افزارهای بدون مستندات و پشتیبانی open source رو کم‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی driver، embedded یا Linux hardware support کار می‌کنن.
🔗 https://blogs.gnome.org/uraeus/2026/10/15/aiandreverseengineerhardware/
#ai #backend #Linux
@BenFeed
استفاده از AI برای reverse engineer کردن سخت‌افزار
بعد از فوت مادرم، یک جعبه‌ی بزرگ پر از نگاتیو‌های قدیمی به دستم رسید — عکس‌هایی از سفرهای خانوادگی دوران کودکی. تصمیم گرفتم یک اسکنر نگاتیو بخرم و به Plustek 8200i رسیدم...
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: نشون می‌ده AI می‌تونه در reverse engineering سخت‌افزارهایی که driver یا مستندات کافی ندارن واقعاً مفید باشه — مشکلی که خیلی از توسعه‌دهنده‌های Linux باهاش دست‌وپنجه نرم می‌کنن.
💡 نکته: این رویکرد می‌تونه شکاف بین سخت‌افزارهای بدون مستندات و پشتیبانی open source رو کم‌کنه.
👥 برای کی: توسعه‌دهنده‌هایی که روی driver، embedded یا Linux hardware support کار می‌کنن.
🔗 https://blogs.gnome.org/uraeus/2026/10/15/aiandreverseengineerhardware/
#ai #backend #Linux
@BenFeed
Christian F.K. Schaller
Using Artificial Intelligence to reverse engineer hardware
After my mother passed away I ended up with a big box full of old film negatives containing photos from childhood family trips and similar. So I decided to buy a negative photo scanner and found...
Israeli firm's digital ads enabling installation of 'zero-click' spyware
تبلیغات دیجیتال یک شرکت اسرائیلی برای نصب بدافزار جاسوسی «zero-click» استفاده می‌شود
محققان دانشگاه Toronto می‌گویند نرم‌افزار Controlium شرکت Discover-Tech به مشتریانش امکان می‌دهد کاربران اینترنت را به‌صورت انبوه پروفایل کنند و سپس مخفیانه به دستگاه‌هایشان نفوذ کنند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: حمله‌ی zero-click از طریق زیرساخت تبلیغاتیِ معمولی یعنی هیچ تعاملی از طرف قربانی لازم نیست — هر دستگاهی که تبلیغ را بارگذاری کند در معرض خطر است.
💡 نکته: سوءاستفاده از ad network به‌عنوان بردار حمله، سطح تهدید را از «کلیک روی لینک مشکوک» به «صرفاً آنلاین بودن» می‌رساند.
👥 برای کی: توسعه‌دهندگان حوزه‌ی security، privacy و کسانی که روی ad tech یا mobile backend کار می‌کنند.
🔗 https://www.theguardian.com/technology/2026/oct/15/israeli-firm-digital-ads-enabling-installation-of-zero-click-spyware-researchers-say
#backend #security #spyware
@BenFeed
تبلیغات دیجیتال یک شرکت اسرائیلی برای نصب بدافزار جاسوسی «zero-click» استفاده می‌شود
محققان دانشگاه Toronto می‌گویند نرم‌افزار Controlium شرکت Discover-Tech به مشتریانش امکان می‌دهد کاربران اینترنت را به‌صورت انبوه پروفایل کنند و سپس مخفیانه به دستگاه‌هایشان نفوذ کنند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: حمله‌ی zero-click از طریق زیرساخت تبلیغاتیِ معمولی یعنی هیچ تعاملی از طرف قربانی لازم نیست — هر دستگاهی که تبلیغ را بارگذاری کند در معرض خطر است.
💡 نکته: سوءاستفاده از ad network به‌عنوان بردار حمله، سطح تهدید را از «کلیک روی لینک مشکوک» به «صرفاً آنلاین بودن» می‌رساند.
👥 برای کی: توسعه‌دهندگان حوزه‌ی security، privacy و کسانی که روی ad tech یا mobile backend کار می‌کنند.
🔗 https://www.theguardian.com/technology/2026/oct/15/israeli-firm-digital-ads-enabling-installation-of-zero-click-spyware-researchers-say
#backend #security #spyware
@BenFeed
the Guardian
Online ads weaponised to deliver ‘zero-click’ spyware, researchers say
Discover-Tech’s Controlium software lets clients mass-profile internet users then covertly hack targets, say researchers at University of Toronto
Prompt injection in HTTP headers: what 217M web responses show
تزریق prompt در HTTP headerها: درس‌هایی از ۲۱۷ میلیون پاسخ وب
اسکن Common Crawl ما روی ۲۱۷ میلیون پاسخ وب نشان داد که ۷٬۹۵۹ سایت HTTP headerهایی می‌فرستند که مستقیماً هدفشان AI agentهاست — از این بین، ۳۰ مورد تلاشِ واقعیِ prompt injection بودند. این مقاله محتوای این headerها و روش‌های دفاع از agentها را بررسی می‌کند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: با گسترش AI agentهایی که وب را browse می‌کنند، HTTP header به یک سطح حمله‌ی واقعی تبدیل شده که اکثر تیم‌ها هنوز آن را جدی نمی‌گیرند.
💡 نکته: داده‌های واقعی از Common Crawl نشان می‌دهد این تهدید دیگر تئوری نیست — سایت‌ها فعالانه سعی در دستکاری agentها دارند.
👥 برای کی: هر کسی که روی AI agent، LLM application یا امنیت backend کار می‌کند.
🔗 https://www.signalscorps.com/blog/prompt-injection-in-http-headers/
#ai #LLM #security
@BenFeed
تزریق prompt در HTTP headerها: درس‌هایی از ۲۱۷ میلیون پاسخ وب
اسکن Common Crawl ما روی ۲۱۷ میلیون پاسخ وب نشان داد که ۷٬۹۵۹ سایت HTTP headerهایی می‌فرستند که مستقیماً هدفشان AI agentهاست — از این بین، ۳۰ مورد تلاشِ واقعیِ prompt injection بودند. این مقاله محتوای این headerها و روش‌های دفاع از agentها را بررسی می‌کند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: با گسترش AI agentهایی که وب را browse می‌کنند، HTTP header به یک سطح حمله‌ی واقعی تبدیل شده که اکثر تیم‌ها هنوز آن را جدی نمی‌گیرند.
💡 نکته: داده‌های واقعی از Common Crawl نشان می‌دهد این تهدید دیگر تئوری نیست — سایت‌ها فعالانه سعی در دستکاری agentها دارند.
👥 برای کی: هر کسی که روی AI agent، LLM application یا امنیت backend کار می‌کند.
🔗 https://www.signalscorps.com/blog/prompt-injection-in-http-headers/
#ai #LLM #security
@BenFeed
Signals Corps
Prompt injection in HTTP headers | Signals Corps
Our Common Crawl scan found 7,959 sites sending HTTP headers aimed at AI agents, including 30 injection attempts. See what they say and how to defend agents.