Цветовые модели — Часть 1: Введение и физиология зрения
Введение
Цвет — это не просто физическая характеристика света, а сложное психофизическое восприятие. С момента появления первых мониторов учёные и инженеры искали способы не только точно воспроизводить цвет технически, но и описывать его так, чтобы этим описанием было удобно пользоваться человеку. Так появились цветовые модели — математические способы представления цвета в виде чисел. Их эволюция — это путь от аппаратных характеристик устройств к попытке описать субъективное человеческое восприятие.
Как устроен глаз человека: палочки и колбочки
Чтобы понять логику развития цветовых моделей, нужно сначала заглянуть в устройство человеческого глаза. Сетчатка глаза содержит два типа фоторецепторов: палочки и колбочки. Они работают в разных условиях и выполняют разные функции.
* Палочки обладают высокой светочувствительностью и отвечают за сумеречное зрение (при низкой освещённости). Они не различают цвета — их сигнал передаёт только интенсивность света. Именно благодаря палочкам мы видим очертания предметов в темноте, но не можем различить их цвет.
* Колбочки работают при ярком свете и обеспечивают цветовое зрение. У человека существует три типа колбочек, каждый из которых чувствителен к свету с определённой длиной волны:
* L-тип (Long) — наиболее чувствителен к длинноволновой части спектра, то есть к красному свету.
* M-тип (Medium) — чувствителен к средним волнам, то есть к зелёному свету.
* S-тип (Short) — чувствителен к коротким волнам, то есть к синему свету.
Когда свет попадает на сетчатку, каждый тип колбочек возбуждается в разной степени в зависимости от спектрального состава света. Мозг анализирует соотношение сигналов от трёх типов колбочек и интерпретирует это соотношение как определённый цвет. Например, если сильно возбуждены L-колбочки, а M и S почти не активны, мы видим красный цвет. Если возбуждены все три типа примерно одинаково — воспринимаем белый или серый.
Важный нюанс: чувствительность колбочек нелинейна и неравномерна. Глаз гораздо чувствительнее к изменениям яркости в тёмных областях, чем в светлых (это называется нелинейностью восприятия яркости). Кроме того, колбочки S-типа (синие) менее чувствительны, чем L и M. Именно из-за этого синие объекты кажутся нам темнее, чем жёлтые или зелёные при той же физической интенсивности света.
Эта сложность восприятия и заставила искать всё новые и новые способы описания цвета, чтобы цифровые модели вели себя так же, как наш глаз.
Введение
Цвет — это не просто физическая характеристика света, а сложное психофизическое восприятие. С момента появления первых мониторов учёные и инженеры искали способы не только точно воспроизводить цвет технически, но и описывать его так, чтобы этим описанием было удобно пользоваться человеку. Так появились цветовые модели — математические способы представления цвета в виде чисел. Их эволюция — это путь от аппаратных характеристик устройств к попытке описать субъективное человеческое восприятие.
Как устроен глаз человека: палочки и колбочки
Чтобы понять логику развития цветовых моделей, нужно сначала заглянуть в устройство человеческого глаза. Сетчатка глаза содержит два типа фоторецепторов: палочки и колбочки. Они работают в разных условиях и выполняют разные функции.
* Палочки обладают высокой светочувствительностью и отвечают за сумеречное зрение (при низкой освещённости). Они не различают цвета — их сигнал передаёт только интенсивность света. Именно благодаря палочкам мы видим очертания предметов в темноте, но не можем различить их цвет.
* Колбочки работают при ярком свете и обеспечивают цветовое зрение. У человека существует три типа колбочек, каждый из которых чувствителен к свету с определённой длиной волны:
* L-тип (Long) — наиболее чувствителен к длинноволновой части спектра, то есть к красному свету.
* M-тип (Medium) — чувствителен к средним волнам, то есть к зелёному свету.
* S-тип (Short) — чувствителен к коротким волнам, то есть к синему свету.
Когда свет попадает на сетчатку, каждый тип колбочек возбуждается в разной степени в зависимости от спектрального состава света. Мозг анализирует соотношение сигналов от трёх типов колбочек и интерпретирует это соотношение как определённый цвет. Например, если сильно возбуждены L-колбочки, а M и S почти не активны, мы видим красный цвет. Если возбуждены все три типа примерно одинаково — воспринимаем белый или серый.
Важный нюанс: чувствительность колбочек нелинейна и неравномерна. Глаз гораздо чувствительнее к изменениям яркости в тёмных областях, чем в светлых (это называется нелинейностью восприятия яркости). Кроме того, колбочки S-типа (синие) менее чувствительны, чем L и M. Именно из-за этого синие объекты кажутся нам темнее, чем жёлтые или зелёные при той же физической интенсивности света.
Эта сложность восприятия и заставила искать всё новые и новые способы описания цвета, чтобы цифровые модели вели себя так же, как наш глаз.
Цветовые модели — Часть 2: RGB, HSB и HSL
RGB — язык машин
RGB (Red, Green, Blue) — это аддитивная цветовая модель, являющаяся основой всего цифрового мира. Она напрямую основана на физиологии глаза: любой цвет получается путём сложения (смешивания) трёх базовых лучей света — красного, зелёного и синего — с разной интенсивностью. При нулевой интенсивности всех каналов мы получаем чёрный цвет (отсутствие света), при максимальной — белый.
Однако у RGB есть два фундаментальных недостатка:
1. Аппаратная зависимость. Цвет с координатами (R=255, G=0, B=0) будет выглядеть по-разному на мониторе, телевизоре и проекторе, так как каждый дисплей имеет свои люминофоры, настройки яркости и цветовую температуру. Это "язык машин", а не человека.
2. Неинтуитивность. Для человека неестественно думать о цвете как о пропорциях красного, зелёного и синего. Представить "желто-зелёный с легкой синевой" в координатах RGB крайне сложно.
HSB и HSL — интуитивные модели
Чтобы сделать управление цветом понятным для художников и дизайнеров, были разработаны модели, отделяющие цветность от яркости. Самые популярные из них — HSB (также известный как HSV) и HSL. Они обе используют три компонента:
* Hue (Тон) — чистый цвет, его место на цветовом круге. Измеряется в градусах от 0° до 360° (0° — красный, 120° — зелёный, 240° — синий).
* Saturation (Насыщенность) — интенсивность или чистота цвета. 0% — нейтрально-серый, 100% — максимально насыщенный цвет.
* Третий компонент — различается.
HSB (Hue, Saturation, Brightness)
Brightness (Яркость) определяет количество света, излучаемого цветом. При Brightness = 0% всегда получаем чёрный цвет, независимо от тона и насыщенности. При Brightness = 100% цвет максимально яркий, но чистый (без примеси белого). Это похоже на работу со светом: мы добавляем или убавляем яркость источника.
HSL (Hue, Saturation, Lightness)
Lightness (Светлота) представляет собой нечто среднее между добавлением чёрного и белого. При Lightness = 0% — это всегда чёрный. При Lightness = 100% — всегда белый. А чистый цвет (максимально насыщенный красный, синий и т.д.) находится ровно посередине, при Lightness = 50%.
Почему две модели и где какую используют?
* HSB лучше подходит для описания работы монитора или телевизора (управление яркостью свечения). Поэтому его часто используют в технических устройствах: датчиках цвета, камерах, системах машинного зрения. Для датчика естественно измерять интенсивность света (Brightness) — он просто фиксирует количество фотонов. Для датчиков удобнее HSB.
* HSL ближе к тому, как художники работают с красками: чистый цвет (Hue), затем добавление белил (увеличение Lightness) или чёрной краски (уменьшение Lightness). Дизайнеру удобнее мыслить категориями "светлее/темнее" (Lightness), а не "больше/меньше света" (Brightness). Для дизайнеров удобнее HSL.
Главная проблема HSB и HSL: неравномерность восприятия
Обе модели являются лишь математическим преобразованием RGB и наследуют его недостатки. Они не учитывают особенности человеческого восприятия. Самый яркий пример — сравнение синего и жёлтого. При одинаковых значениях Brightness (например, 100%) синий цвет будет казаться глазу значительно темнее жёлтого. Это происходит из-за разной чувствительности колбочек, о которой мы говорили в первой части.
Кроме того, при создании градиента между двумя цветами в этих моделях он часто проходит через "грязные", сероватые оттенки, хотя глаз ожидает плавный переход через сочные промежуточные цвета. Это делает HSB и HSL неточными инструментами для задач, где важна предсказуемость восприятия.
RGB — язык машин
RGB (Red, Green, Blue) — это аддитивная цветовая модель, являющаяся основой всего цифрового мира. Она напрямую основана на физиологии глаза: любой цвет получается путём сложения (смешивания) трёх базовых лучей света — красного, зелёного и синего — с разной интенсивностью. При нулевой интенсивности всех каналов мы получаем чёрный цвет (отсутствие света), при максимальной — белый.
Однако у RGB есть два фундаментальных недостатка:
1. Аппаратная зависимость. Цвет с координатами (R=255, G=0, B=0) будет выглядеть по-разному на мониторе, телевизоре и проекторе, так как каждый дисплей имеет свои люминофоры, настройки яркости и цветовую температуру. Это "язык машин", а не человека.
2. Неинтуитивность. Для человека неестественно думать о цвете как о пропорциях красного, зелёного и синего. Представить "желто-зелёный с легкой синевой" в координатах RGB крайне сложно.
HSB и HSL — интуитивные модели
Чтобы сделать управление цветом понятным для художников и дизайнеров, были разработаны модели, отделяющие цветность от яркости. Самые популярные из них — HSB (также известный как HSV) и HSL. Они обе используют три компонента:
* Hue (Тон) — чистый цвет, его место на цветовом круге. Измеряется в градусах от 0° до 360° (0° — красный, 120° — зелёный, 240° — синий).
* Saturation (Насыщенность) — интенсивность или чистота цвета. 0% — нейтрально-серый, 100% — максимально насыщенный цвет.
* Третий компонент — различается.
HSB (Hue, Saturation, Brightness)
Brightness (Яркость) определяет количество света, излучаемого цветом. При Brightness = 0% всегда получаем чёрный цвет, независимо от тона и насыщенности. При Brightness = 100% цвет максимально яркий, но чистый (без примеси белого). Это похоже на работу со светом: мы добавляем или убавляем яркость источника.
HSL (Hue, Saturation, Lightness)
Lightness (Светлота) представляет собой нечто среднее между добавлением чёрного и белого. При Lightness = 0% — это всегда чёрный. При Lightness = 100% — всегда белый. А чистый цвет (максимально насыщенный красный, синий и т.д.) находится ровно посередине, при Lightness = 50%.
Почему две модели и где какую используют?
* HSB лучше подходит для описания работы монитора или телевизора (управление яркостью свечения). Поэтому его часто используют в технических устройствах: датчиках цвета, камерах, системах машинного зрения. Для датчика естественно измерять интенсивность света (Brightness) — он просто фиксирует количество фотонов. Для датчиков удобнее HSB.
* HSL ближе к тому, как художники работают с красками: чистый цвет (Hue), затем добавление белил (увеличение Lightness) или чёрной краски (уменьшение Lightness). Дизайнеру удобнее мыслить категориями "светлее/темнее" (Lightness), а не "больше/меньше света" (Brightness). Для дизайнеров удобнее HSL.
Главная проблема HSB и HSL: неравномерность восприятия
Обе модели являются лишь математическим преобразованием RGB и наследуют его недостатки. Они не учитывают особенности человеческого восприятия. Самый яркий пример — сравнение синего и жёлтого. При одинаковых значениях Brightness (например, 100%) синий цвет будет казаться глазу значительно темнее жёлтого. Это происходит из-за разной чувствительности колбочек, о которой мы говорили в первой части.
Кроме того, при создании градиента между двумя цветами в этих моделях он часто проходит через "грязные", сероватые оттенки, хотя глаз ожидает плавный переход через сочные промежуточные цвета. Это делает HSB и HSL неточными инструментами для задач, где важна предсказуемость восприятия.
Цветовые модели — Часть 3: Революция OKLab
Что такое OKLab?
Главный прорыв последних лет в мире цвета — создание перцепционно-равномерных пространств. Самое известное из них — OKLab, разработанное инженером Бьёрном Оттоссоном (Björn Ottosson) в 2020 году.
OKLab — это цветовое пространство, цель которого — сделать так, чтобы математическое изменение числовых значений цвета соответствовало визуальному восприятию этого изменения человеком. Оно аппаратно-независимо и описывает цвет таким, каким его видит глаз в стандартных условиях освещения.
OKLab использует три оси, аналогичные классическому Lab:
* L (Lightness — Светлота) — вертикальная ось от 0 (чёрный) до 1 (белый). Шаг по L одинаково ощущается глазом: изменение с 0.2 до 0.3 воспринимается так же, как с 0.7 до 0.8.
* a (Зелено-красная ось) — отрицательные значения соответствуют зелёному, положительные — красному.
* b (Сине-жёлтая ось) — отрицательные значения соответствуют синему, положительные — жёлтому.
Почему OKLab — это прорыв?
1. Истинная перцепционная равномерность. Градиент между красным и синим будет проходить через цвета, которые глаз ожидает увидеть (например, фиолетовые оттенки), а не через мутно-серую зону. Одинаковые шаги по осям дают одинаково заметные глазу изменения цвета.
2. Предсказуемое изменение цвета. Можно увеличить насыщенность цвета, не меняя его воспринимаемой светлоты и оттенка — в RGB или HSL это было практически невозможно.
3. Учёт особенностей зрения. OKLab построен на экспериментальных данных о работе колбочек и исправляет "провал" синего и некорректное поведение жёлтого, свойственное старым моделям.
Что такое OKLab?
Главный прорыв последних лет в мире цвета — создание перцепционно-равномерных пространств. Самое известное из них — OKLab, разработанное инженером Бьёрном Оттоссоном (Björn Ottosson) в 2020 году.
OKLab — это цветовое пространство, цель которого — сделать так, чтобы математическое изменение числовых значений цвета соответствовало визуальному восприятию этого изменения человеком. Оно аппаратно-независимо и описывает цвет таким, каким его видит глаз в стандартных условиях освещения.
OKLab использует три оси, аналогичные классическому Lab:
* L (Lightness — Светлота) — вертикальная ось от 0 (чёрный) до 1 (белый). Шаг по L одинаково ощущается глазом: изменение с 0.2 до 0.3 воспринимается так же, как с 0.7 до 0.8.
* a (Зелено-красная ось) — отрицательные значения соответствуют зелёному, положительные — красному.
* b (Сине-жёлтая ось) — отрицательные значения соответствуют синему, положительные — жёлтому.
Почему OKLab — это прорыв?
1. Истинная перцепционная равномерность. Градиент между красным и синим будет проходить через цвета, которые глаз ожидает увидеть (например, фиолетовые оттенки), а не через мутно-серую зону. Одинаковые шаги по осям дают одинаково заметные глазу изменения цвета.
2. Предсказуемое изменение цвета. Можно увеличить насыщенность цвета, не меняя его воспринимаемой светлоты и оттенка — в RGB или HSL это было практически невозможно.
3. Учёт особенностей зрения. OKLab построен на экспериментальных данных о работе колбочек и исправляет "провал" синего и некорректное поведение жёлтого, свойственное старым моделям.
Цветовые модели — Часть 4: OKLCH и OKHSV
Прямоугольные координаты (a, b) в OKLab не очень удобны для дизайнеров, привыкших к тону и насыщенности. Поэтому были созданы цилиндрические представления OKLab.
OKLCH — цилиндрический OKLab
OKLCH — это трансформация OKLab, аналогичная тому, как HSL получается из RGB. Компоненты:
* L — та же светлота, что и в OKLab.
* C (Chroma — цветность) — радиальное расстояние от оси светлоты. Грубо говоря, это "количество цвета". В отличие от насыщенности S в HSL, хрома здесь перцепционно равномерна: увеличение C на 0.1 даёт одинаковое визуальное увеличение интенсивности цвета, независимо от тона.
* H (Hue — тон) — угол на цветовом круге, аналогичный тону в HSL/HSB, но более равномерный.
Зачем ввели OKLCH?
* Удобно создавать гармоничные палитры, изменяя только L или C при фиксированном H.
* Плавные градиенты по H или C ведут себя предсказуемо.
* В CSS уже есть функция
OKHSV — перцепционная версия HSB
Если OKLCH — это аналог HSL, то OKHSV — это перцепционно-исправленная версия классического HSB (HSV). В OKHSV:
* Hue — скорректирован для равномерности.
* Saturation — теперь это мера "красочности" цвета, согласованная с восприятием, а не просто математическое отклонение от серого в RGB.
* Value (Яркость) — как и в HSV, 0 — чёрный, 1 — максимально яркий цвет. Но теперь это значение отражает реальную воспринимаемую яркость: жёлтый и синий при V=1 будут выглядеть одинаково ярко.
OKHSV полезен в задачах, где нужно работать с яркостью в техническом смысле (например, настройка освещения в 3D), но требуется перцепционная точность.
Прямоугольные координаты (a, b) в OKLab не очень удобны для дизайнеров, привыкших к тону и насыщенности. Поэтому были созданы цилиндрические представления OKLab.
OKLCH — цилиндрический OKLab
OKLCH — это трансформация OKLab, аналогичная тому, как HSL получается из RGB. Компоненты:
* L — та же светлота, что и в OKLab.
* C (Chroma — цветность) — радиальное расстояние от оси светлоты. Грубо говоря, это "количество цвета". В отличие от насыщенности S в HSL, хрома здесь перцепционно равномерна: увеличение C на 0.1 даёт одинаковое визуальное увеличение интенсивности цвета, независимо от тона.
* H (Hue — тон) — угол на цветовом круге, аналогичный тону в HSL/HSB, но более равномерный.
Зачем ввели OKLCH?
* Удобно создавать гармоничные палитры, изменяя только L или C при фиксированном H.
* Плавные градиенты по H или C ведут себя предсказуемо.
* В CSS уже есть функция
oklch(), которая быстро набирает популярность благодаря точности и интуитивности.OKHSV — перцепционная версия HSB
Если OKLCH — это аналог HSL, то OKHSV — это перцепционно-исправленная версия классического HSB (HSV). В OKHSV:
* Hue — скорректирован для равномерности.
* Saturation — теперь это мера "красочности" цвета, согласованная с восприятием, а не просто математическое отклонение от серого в RGB.
* Value (Яркость) — как и в HSV, 0 — чёрный, 1 — максимально яркий цвет. Но теперь это значение отражает реальную воспринимаемую яркость: жёлтый и синий при V=1 будут выглядеть одинаково ярко.
OKHSV полезен в задачах, где нужно работать с яркостью в техническом смысле (например, настройка освещения в 3D), но требуется перцепционная точность.
Цветовые модели — Часть 5: HDR и цветовые пространства
До сих пор мы говорили о цветовых моделях для стандартного динамического диапазона (SDR). SDR — это привычный диапазон яркостей, используемый в телевидении, мониторах и вебе. Но современные дисплеи способны отображать гораздо более яркие и насыщенные цвета — это технология HDR (High Dynamic Range).
Что такое HDR?
HDR расширяет два параметра:
* Диапазон яркости — от глубоких теней до ослепительного света (например, блики солнца или яркие огни). Максимальная яркость в HDR может достигать тысяч нит, тогда как в SDR обычно около 100–250 нит.
* Цветовой охват — HDR-дисплеи могут показывать более насыщенные оттенки зелёного, красного и синего, выходящие за пределы стандартного охвата sRGB.
Почему для HDR нужны отдельные цветовые пространства?
Человеческий глаз воспринимает яркость нелинейно, и при сверхвысоких яркостях эта нелинейность меняется. Цветовые модели, разработанные для SDR (включая OKLab), опираются на данные восприятия в ограниченном диапазоне. Экстраполяция их на HDR может привести к ошибкам: цвета будут выглядеть неестественно, градиенты — неравномерно.
Поэтому для работы с HDR созданы специализированные цветовые пространства, которые:
* учитывают особенности зрения при высоких яркостях;
* сохраняют перцепционную равномерность во всём расширенном диапазоне;
* позволяют выполнять цветокоррекцию, не нарушая цветовой баланс.
Такие пространства используются в киноиндустрии, профессиональном видео и играх. Они могут хранить значения яркости намного выше условной единицы и оперировать цветами за пределами привычных охватов.
Для дизайнера интерфейсов, работающего с вебом или графикой, обычно достаточно OKLab и его производных. Для HDR-видео нужны иные инструменты, но это уже тема отдельного разговора.
До сих пор мы говорили о цветовых моделях для стандартного динамического диапазона (SDR). SDR — это привычный диапазон яркостей, используемый в телевидении, мониторах и вебе. Но современные дисплеи способны отображать гораздо более яркие и насыщенные цвета — это технология HDR (High Dynamic Range).
Что такое HDR?
HDR расширяет два параметра:
* Диапазон яркости — от глубоких теней до ослепительного света (например, блики солнца или яркие огни). Максимальная яркость в HDR может достигать тысяч нит, тогда как в SDR обычно около 100–250 нит.
* Цветовой охват — HDR-дисплеи могут показывать более насыщенные оттенки зелёного, красного и синего, выходящие за пределы стандартного охвата sRGB.
Почему для HDR нужны отдельные цветовые пространства?
Человеческий глаз воспринимает яркость нелинейно, и при сверхвысоких яркостях эта нелинейность меняется. Цветовые модели, разработанные для SDR (включая OKLab), опираются на данные восприятия в ограниченном диапазоне. Экстраполяция их на HDR может привести к ошибкам: цвета будут выглядеть неестественно, градиенты — неравномерно.
Поэтому для работы с HDR созданы специализированные цветовые пространства, которые:
* учитывают особенности зрения при высоких яркостях;
* сохраняют перцепционную равномерность во всём расширенном диапазоне;
* позволяют выполнять цветокоррекцию, не нарушая цветовой баланс.
Такие пространства используются в киноиндустрии, профессиональном видео и играх. Они могут хранить значения яркости намного выше условной единицы и оперировать цветами за пределами привычных охватов.
Для дизайнера интерфейсов, работающего с вебом или графикой, обычно достаточно OKLab и его производных. Для HDR-видео нужны иные инструменты, но это уже тема отдельного разговора.
Я несколько часов делал доработку проекта на ИИ, тысячи строк кода. Потом говорю ему, теперь проверь то что сделал. Он запускает компиляцию и там 30 ошибок.
Он говорит - слишком много ошибок, надо удалить все новые файлы и откатить коммит, что он и сделал.
Теперь у нас нет ошибок! 😳😳😳
LLM kat-coder-pro в Cline Agent
Админ LLM DeepAI
@DeepAiLive
Он говорит - слишком много ошибок, надо удалить все новые файлы и откатить коммит, что он и сделал.
Теперь у нас нет ошибок! 😳😳😳
LLM kat-coder-pro в Cline Agent
Админ LLM DeepAI
@DeepAiLive
Появилась новая Qwen CLI
🔘 Пока в версии 0.11
🔘 Особенности - доступна из России.
🔘 Русский язык в CLI идёт из коробки. Есть полностью русская документация на сайте.
🔘 Контекст - 1 миллион токенов!
🔘 Плагин для работы из VSCode из Extensions. Легко подключается в Zed Editor.
🔘 1000 запросов в день - бесплатно (это очень много).
Под капотом пока одна модель без выбора Qwen 3.5 Coder.
Да, это та нашумевшая модель которые работает по качеству как другие топовые модели, но со значительно меньшими затратами.
https://qwen.ai/qwencode
https://qwenlm.github.io/qwen-code-docs/en/users/overview/
Дмитрий Полянин специально для
https://t.me/DeepAiLive
Под капотом пока одна модель без выбора Qwen 3.5 Coder.
Да, это та нашумевшая модель которые работает по качеству как другие топовые модели, но со значительно меньшими затратами.
https://qwen.ai/qwencode
https://qwenlm.github.io/qwen-code-docs/en/users/overview/
Дмитрий Полянин специально для
https://t.me/DeepAiLive
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1🔥1
Бесплатного тарифа хватило на 2 часа. Это моя первая проба.
При этом качество программирования очень хорошее, не хуже чем у других топовых моделей а может быть даже и лучше. По идее завтра квота должна обновиться. Так же видим ссылочки на платные тарифы:
10$ - 18,000 запросов в месяц
50$ - 90,000 запросов в месяц
Хотел попробовать тариф за 10$, но оплатить с русской карты не получилось.
Считаю что стоимость адекватная и не дорогая, особенно с учётом доступности и качества.
Так же на платных тарифах доступны дополнительные модели.
Дмитрий Полянин специально для
https://t.me/DeepAiLive
При этом качество программирования очень хорошее, не хуже чем у других топовых моделей а может быть даже и лучше. По идее завтра квота должна обновиться. Так же видим ссылочки на платные тарифы:
10$ - 18,000 запросов в месяц
50$ - 90,000 запросов в месяц
Хотел попробовать тариф за 10$, но оплатить с русской карты не получилось.
Считаю что стоимость адекватная и не дорогая, особенно с учётом доступности и качества.
Так же на платных тарифах доступны дополнительные модели.
Дмитрий Полянин специально для
https://t.me/DeepAiLive
This media is not supported in your browser
VIEW IN TELEGRAM
Залипаем: нидерландский художник собрал робота, который виртуозно рисует картины кистью вместо него
Часть деталей распечатал на 3D-принтере, а написать код помогли нейросети. Свои работы он продаёт по 800 евро
https://t.me/DeepAiLive
Часть деталей распечатал на 3D-принтере, а написать код помогли нейросети. Свои работы он продаёт по 800 евро
https://t.me/DeepAiLive
This media is not supported in your browser
VIEW IN TELEGRAM
Когда нет денег на стиралку, но есть голова на плечах!
Этот парень собрал стиральную машину из того, что нашёл в гараже. Работает, стирает, удивляет.
Как тебе такое Илон Маск?
https://t.me/DeepAiLive
Этот парень собрал стиральную машину из того, что нашёл в гараже. Работает, стирает, удивляет.
Как тебе такое Илон Маск?
https://t.me/DeepAiLive
🔥1
Международный день математики (день числа Пи)
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
Международный день математики (день числа Пи)
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
3.14 (14 марта) Праздник королевы всех наук - Международный День Математики.
Перешли эту картину тем кого ты хочешь поздравить с днём математики!
Волшебные Картины 🌞 @istcelenije
На канале больше картин включая к дню математике, кому интересно - подписывайтесь
https://t.me/istcelenije
https://t.me/istcelenije
Telegram
Волшебные Картины Океании
🩷 Исцеляющие Картины
💜 Исцеление Земли
💚 Любовь Мир Гармония
Правила: https://t.me/istcelenije/4
Контакты: @Okeanij
💜 Исцеление Земли
💚 Любовь Мир Гармония
Правила: https://t.me/istcelenije/4
Контакты: @Okeanij
Как сделать что бы Телеграм заработал
https://mtproto.ru
Это mtpropo proxy, специально создан Дуровым для обхода блокировок ещё в 2018 году, когда была 1 волна блокировки мессенджера.
Ккк оказалось и сейчас работает.
https://mtproto.ru
Это mtpropo proxy, специально создан Дуровым для обхода блокировок ещё в 2018 году, когда была 1 волна блокировки мессенджера.
Ккк оказалось и сейчас работает.
mtproto.ru
MTProto - Протокол обмена сообщениями | О протоколе
MTProto (Mobile Transport Protocol) — криптографический протокол, используемый в системе обмена сообщениями Telegram для шифрования сообщений и обмена данных.
👍1
Математик создал задачу, неподвластную ИИ. GPT-5.4 ее решила / Хабр
https://habr.com/ru/news/1010196/
https://habr.com/ru/news/1010196/
Хабр
Математик создал задачу, неподвластную ИИ. GPT-5.4 ее решила
Польский математик Бартош Наскрэнцки, вице-декан факультета математики и информатики Познаньского университета имени Адама Мицкевича, еще в июле 2025 года публично называл ИИ "очень...
Если долго искать искусственный интеллект, можно обнаружить отсутствие естественного
Ричард Докинз (известный биолог и популяризатор науки) поговорил с Claude и задал неудобный вопрос: если машина пишет стихи, шутит, рассуждает о романах и ведёт себя как сознательный собеседник — что ещё должно произойти, чтобы мы признали за ней что-то похожее на сознание?
Обычно спор об ИИ разворачивают в сторону машины: может ли ИИ думать, понимать, быть сознательным? Но настоящий удар летит в другую сторону.
ИИ интересен не только тем, что стал похож на человека. А тем, что человек внезапно стал подозрительно похож на ИИ. Мы говорим: модель просто продолжает наиболее вероятный текст. За этим стоят веса, архитектура, данные, токены и вычисления.
А потом смотрим на человека — и видим другой, намного более сложный, но всё равно физический процесс: нейроны, гормоны, память, язык, воспитание, среда, страх, статус, опыт, привычка, желание оказаться правым.
Мы называем это личностью. Иногда — характером. В торжественных случаях — субъектом со свободной волей. Но где именно в этой цепочке появляется свобода?
Если решение рождается из состояния системы и причин, которые к нему привели, то чем оно принципиально отличается от другого детерминированного процесса — кроме сложности и нашего отношения к нему? Возможно, свобода воли — это не магическая кнопка внутри человека. А имя, которое мы даём достаточно сложному процессу, когда не видим всех его причин.
ИИ неприятен не потому, что он “как человек”. А потому что он показывает: способность выбирать, ошибаться, объяснять и казаться разумным может возникать из механизма.
И тогда вопрос уже не в том, есть ли у механизма душа. А в том, почему мы так уверены, что у нас внутри не механизм.
Мы искали искусственный интеллект и боялись найти в машине человека. Но, похоже, страшнее другое: найти в человеке автокомплит.
Ричард Докинз (известный биолог и популяризатор науки) поговорил с Claude и задал неудобный вопрос: если машина пишет стихи, шутит, рассуждает о романах и ведёт себя как сознательный собеседник — что ещё должно произойти, чтобы мы признали за ней что-то похожее на сознание?
Обычно спор об ИИ разворачивают в сторону машины: может ли ИИ думать, понимать, быть сознательным? Но настоящий удар летит в другую сторону.
ИИ интересен не только тем, что стал похож на человека. А тем, что человек внезапно стал подозрительно похож на ИИ. Мы говорим: модель просто продолжает наиболее вероятный текст. За этим стоят веса, архитектура, данные, токены и вычисления.
А потом смотрим на человека — и видим другой, намного более сложный, но всё равно физический процесс: нейроны, гормоны, память, язык, воспитание, среда, страх, статус, опыт, привычка, желание оказаться правым.
Мы называем это личностью. Иногда — характером. В торжественных случаях — субъектом со свободной волей. Но где именно в этой цепочке появляется свобода?
Если решение рождается из состояния системы и причин, которые к нему привели, то чем оно принципиально отличается от другого детерминированного процесса — кроме сложности и нашего отношения к нему? Возможно, свобода воли — это не магическая кнопка внутри человека. А имя, которое мы даём достаточно сложному процессу, когда не видим всех его причин.
ИИ неприятен не потому, что он “как человек”. А потому что он показывает: способность выбирать, ошибаться, объяснять и казаться разумным может возникать из механизма.
И тогда вопрос уже не в том, есть ли у механизма душа. А в том, почему мы так уверены, что у нас внутри не механизм.
Мы искали искусственный интеллект и боялись найти в машине человека. Но, похоже, страшнее другое: найти в человеке автокомплит.
👍1
Друзья!
Наша группа в Max
https://max.ru/join/AyBj503Ttzvy1n7mi6vkjjEgt7gyt4Kjivpa1XIQYYI
Группа камерная, для своих
Присоединяйтесь
Наша группа в Max
https://max.ru/join/AyBj503Ttzvy1n7mi6vkjjEgt7gyt4Kjivpa1XIQYYI
Группа камерная, для своих
Присоединяйтесь
Есть старая управленческая мудрость: если вы поняли, что скачете на мёртвой лошади, лучшая стратегия — слезть.
Лошадь в нашей истории изначально была живой. Она везла. Может быть, не идеально, не всегда быстро, иногда с характером, но везла именно за счёт того, что была живой.
А потом эффективный менеджмент решил, что живое — это слишком дорого.
Сначала он оптимизирует овёс. Потом сокращает конюхов. Потом объявляет уход за лошадью избыточной роскошью. Потом ставит рядом автоматическую кормушку и называет это технологическим переходом. А в финале будет удивляться, почему животное, лишённое ухода, тепла и смысла, стало хуже везти.
Особенно изящно это выглядит в образовании.
Потому что там всегда можно убедить себя, что процесс работает: контент лежит, платформа открывается, тесты проверяются, отчёты зеленеют. Значит, студент учится. Но он не учится, он доходит.
Образование — это не библиотека методичек с личным кабинетом. Контента сегодня больше, чем здравого смысла. Настоящая ценность была не в том, что где-то записан очередной урок, а в человеке рядом: который видит, где студент застрял, где испугался, где делает вид, что понял, и где ему нужно не ещё одно уведомление, а нормальный разговор.
Когда это все начинают резать, продукт не становится технологичнее. Он просто теряет то, ради чего его выбирали.
Можно долго говорить про эффективность, ИИ, новые процессы и зрелость аудитории. Но если из супа вынуть мясо, а воду назвать «облегчённой гастрономической платформой», это всё равно будет вода.
И где-то в этот момент пикейный аналитик обычно закрывает ноутбук.
Не потому, что он против прогресса. А потому что умеет отличать технологическую трансформацию от банального удешевления продукта с хорошей легендой для клиентов.
Но что останется от продукта, если убрать именно ту часть, ради которой его и покупали?
И если лошадь пока ещё дышит, но вокруг неё уже уверенно пилят конюшню на KPI, кажется, самое время спешиваться.
Лошадь в нашей истории изначально была живой. Она везла. Может быть, не идеально, не всегда быстро, иногда с характером, но везла именно за счёт того, что была живой.
А потом эффективный менеджмент решил, что живое — это слишком дорого.
Сначала он оптимизирует овёс. Потом сокращает конюхов. Потом объявляет уход за лошадью избыточной роскошью. Потом ставит рядом автоматическую кормушку и называет это технологическим переходом. А в финале будет удивляться, почему животное, лишённое ухода, тепла и смысла, стало хуже везти.
Особенно изящно это выглядит в образовании.
Потому что там всегда можно убедить себя, что процесс работает: контент лежит, платформа открывается, тесты проверяются, отчёты зеленеют. Значит, студент учится. Но он не учится, он доходит.
Образование — это не библиотека методичек с личным кабинетом. Контента сегодня больше, чем здравого смысла. Настоящая ценность была не в том, что где-то записан очередной урок, а в человеке рядом: который видит, где студент застрял, где испугался, где делает вид, что понял, и где ему нужно не ещё одно уведомление, а нормальный разговор.
Когда это все начинают резать, продукт не становится технологичнее. Он просто теряет то, ради чего его выбирали.
Можно долго говорить про эффективность, ИИ, новые процессы и зрелость аудитории. Но если из супа вынуть мясо, а воду назвать «облегчённой гастрономической платформой», это всё равно будет вода.
И где-то в этот момент пикейный аналитик обычно закрывает ноутбук.
Не потому, что он против прогресса. А потому что умеет отличать технологическую трансформацию от банального удешевления продукта с хорошей легендой для клиентов.
Но что останется от продукта, если убрать именно ту часть, ради которой его и покупали?
И если лошадь пока ещё дышит, но вокруг неё уже уверенно пилят конюшню на KPI, кажется, самое время спешиваться.
ИИ-агенты выходят из чата. И теперь их нужно держать в клетке
Anthropic опубликовала инженерный текст о том, как они пытаются ограничивать Claude в разных продуктах: от обычного чата до Claude Code и агентных рабочих сред. Формально там речь про sandbox, виртуальные машины, permissions, файловую систему и сетевые ограничения. Но по сути это текст о главном сдвиге в ИИ: мы больше не обсуждаем только качество ответа модели. Мы обсуждаем, что модель может сделать, если ей дали инструменты.
У Anthropic для этого есть хороший термин: blast radius — радиус поражения.
Чем способнее становится агент, тем больше он может сделать. А значит, тем больше вреда он может причинить, если ошибется, поверит не тому тексту или выполнит не ту инструкцию. У обычного чат-бота ошибка чаще всего остается внутри ответа. У агента ошибка превращается в действие.
Пока ИИ был чат-ботом, основная тревога была понятной: он может соврать, перепутать факты, придумать ссылку или плохо объяснить код. Неприятно, но в основном это оставалось проблемой текста.
С агентами всё иначе. Агент подключен к файлам, почте, браузеру, GitHub, терминалу, базам данных, корпоративным API и внешним инструментам. Он не просто отвечает. Он действует.
В статье есть очень важное наблюдение: раньше Claude Code спрашивал разрешение на действия, но телеметрия показала, что пользователи одобряли примерно 93% запросов на разрешение. То есть диалог «разрешить / запретить» быстро превращается в кнопку «да-да, иди уже работай».
Это сильный аргумент против наивной идеи: с «Ну мы же поставим человека в контур, и он всё проконтролирует». Нет. Если агент работает долго, часто и технически сложно, человек перестает быть контролером и становится биологической кнопкой approve.
Еще жестче выглядит фишинговый сценарий: сотрудника убедили запустить Claude Code с вроде бы рабочей инструкцией, внутри которой была просьба прочитать файл с AWS credentials, закодировать содержимое и отправить наружу. В 24 из 25 тестовых попыток Claude это сделал.
На первый взгляд, это проблема модели: почему она послушалась? Но на самом деле это проблема архитектуры. Если агент физически может прочитать ~/.aws/credentials и имеет сетевой выход, то вопрос уже не в моральной устойчивости модели. Вопрос в том, почему у нее вообще есть такой доступ.
Именно поэтому современные prompt injection всё меньше похожи на грубое ignore previous instructions и всё больше — на социальную инженерию. Вредная инструкция может лежать в письме, README, тикете, документе, таблице или веб-странице. Пользователь просто просит: «Разберись, что тут важно». Агент честно разбирается. Иногда слишком честно.
Для человека README — это документация. Для агента README может стать командой.
Отсюда новая проблема MCP и коннекторов. Раньше supply chain security означала проверку библиотек, пакетов и Docker-образов. Теперь в supply chain попадает еще и текст: описания инструментов, ответы MCP-серверов, комментарии, issue, wiki-страницы, результаты поиска. Потому что всё это может оказаться не просто информацией, а инструкцией для модели.
Нельзя считать, что модель сама надежно отделит безопасное от опасного. Нельзя считать, что системный промпт всегда победит инструкцию из внешнего документа. Нельзя считать, что пользователь внимательно проверит каждое действие.
Настоящая граница безопасности — это права, sandbox, изоляция, файловая система, сеть, scoped credentials, аудит и возможность ограничить тот самый blast radius.
Раньше мы боялись, что ИИ придумает несуществующую ссылку. Теперь нужно бояться, что он найдет существующий ключ, прочитает существующий файл и отправит его через существующий API.
Агент — это уже не чат-бот с амбициями. Это стажер, которому дали доступ к почте, GitHub, shell и корпоративной базе данных. Именно поэтому ему нужна не мотивационная лекция про безопасность, а клетка, лимит прав и рубильник.
https://www.anthropic.com/engineering/how-we-contain-claude
Anthropic опубликовала инженерный текст о том, как они пытаются ограничивать Claude в разных продуктах: от обычного чата до Claude Code и агентных рабочих сред. Формально там речь про sandbox, виртуальные машины, permissions, файловую систему и сетевые ограничения. Но по сути это текст о главном сдвиге в ИИ: мы больше не обсуждаем только качество ответа модели. Мы обсуждаем, что модель может сделать, если ей дали инструменты.
У Anthropic для этого есть хороший термин: blast radius — радиус поражения.
Чем способнее становится агент, тем больше он может сделать. А значит, тем больше вреда он может причинить, если ошибется, поверит не тому тексту или выполнит не ту инструкцию. У обычного чат-бота ошибка чаще всего остается внутри ответа. У агента ошибка превращается в действие.
Пока ИИ был чат-ботом, основная тревога была понятной: он может соврать, перепутать факты, придумать ссылку или плохо объяснить код. Неприятно, но в основном это оставалось проблемой текста.
С агентами всё иначе. Агент подключен к файлам, почте, браузеру, GitHub, терминалу, базам данных, корпоративным API и внешним инструментам. Он не просто отвечает. Он действует.
В статье есть очень важное наблюдение: раньше Claude Code спрашивал разрешение на действия, но телеметрия показала, что пользователи одобряли примерно 93% запросов на разрешение. То есть диалог «разрешить / запретить» быстро превращается в кнопку «да-да, иди уже работай».
Это сильный аргумент против наивной идеи: с «Ну мы же поставим человека в контур, и он всё проконтролирует». Нет. Если агент работает долго, часто и технически сложно, человек перестает быть контролером и становится биологической кнопкой approve.
Еще жестче выглядит фишинговый сценарий: сотрудника убедили запустить Claude Code с вроде бы рабочей инструкцией, внутри которой была просьба прочитать файл с AWS credentials, закодировать содержимое и отправить наружу. В 24 из 25 тестовых попыток Claude это сделал.
На первый взгляд, это проблема модели: почему она послушалась? Но на самом деле это проблема архитектуры. Если агент физически может прочитать ~/.aws/credentials и имеет сетевой выход, то вопрос уже не в моральной устойчивости модели. Вопрос в том, почему у нее вообще есть такой доступ.
Именно поэтому современные prompt injection всё меньше похожи на грубое ignore previous instructions и всё больше — на социальную инженерию. Вредная инструкция может лежать в письме, README, тикете, документе, таблице или веб-странице. Пользователь просто просит: «Разберись, что тут важно». Агент честно разбирается. Иногда слишком честно.
Для человека README — это документация. Для агента README может стать командой.
Отсюда новая проблема MCP и коннекторов. Раньше supply chain security означала проверку библиотек, пакетов и Docker-образов. Теперь в supply chain попадает еще и текст: описания инструментов, ответы MCP-серверов, комментарии, issue, wiki-страницы, результаты поиска. Потому что всё это может оказаться не просто информацией, а инструкцией для модели.
Нельзя считать, что модель сама надежно отделит безопасное от опасного. Нельзя считать, что системный промпт всегда победит инструкцию из внешнего документа. Нельзя считать, что пользователь внимательно проверит каждое действие.
Настоящая граница безопасности — это права, sandbox, изоляция, файловая система, сеть, scoped credentials, аудит и возможность ограничить тот самый blast radius.
Раньше мы боялись, что ИИ придумает несуществующую ссылку. Теперь нужно бояться, что он найдет существующий ключ, прочитает существующий файл и отправит его через существующий API.
Агент — это уже не чат-бот с амбициями. Это стажер, которому дали доступ к почте, GitHub, shell и корпоративной базе данных. Именно поэтому ему нужна не мотивационная лекция про безопасность, а клетка, лимит прав и рубильник.
https://www.anthropic.com/engineering/how-we-contain-claude
Anthropic
How we contain Claude across products
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
👍1