Я решил, что считать провалом, до того, как увидел первый кадр.
Обычно эксперимент с изображениями заканчивается быстро: 3 картинки, беглый взгляд, вердикт "работает". Я выбрал менее приятный порядок. Сначала записал вопрос, гипотезы и условия, при которых от них придётся отказаться.
В предрегистрации от 9 сентября я зафиксировал критерии фальсификации до анализа. Пороги 80% и 20% назвал предварительными. Изменить их можно было только после пилота на двух-трёх параметрах и до основного прогона. Каждая правка получает дату и запись в журнале. Старый текст не исчезает: я его зачёркиваю.
Часть порогов вообще не назначалась вручную. Границу насыщенности я рассчитал методом Отсу по кадрам: на графике это 0.447. Калибровочный набор для пилота выбрал заранее, с фиксированным seed 20260912. После пилота заморозил пороги в коде вместе с датой и обоснованием.
Для теста ориентации границу получил из точного нулевого распределения. Среди 12 870 разбиений рангов критической оказалась область "U не больше 13 или не меньше 51". Уровень составил 0.0499. Правило кодирования я записал до генерации.
Было и третье правило: не чинить промпт после результата. Когда "плоский треугольник" начал проваливаться, я оставил формулировку как есть. Промпты круга и треугольника различались одним словом, и сравнение держалось на этой разнице.
Черновик переписанных промптов я отклонил. В них уже читалась цель эксперимента, а базовая линия превращалась в артефакт инструкции.
Цена этой дисциплины проявилась позже. Первоначальный вывод о том, что SDXL не воспроизводит человеческую иерархию, пришлось понизить до непроверенной гипотезы. Независимая кодировка дала лишь 30% согласия. Обратно вывод я не повысил.
Таблица чисел неизвестного происхождения, однажды попавшая в переписку, тоже не стала данными. Решения, принятые на её основе, я отозвал до записи в файлы.
Предрегистрация не делает вывод верным. Она делает подгонку слишком дорогой.
Обычно эксперимент с изображениями заканчивается быстро: 3 картинки, беглый взгляд, вердикт "работает". Я выбрал менее приятный порядок. Сначала записал вопрос, гипотезы и условия, при которых от них придётся отказаться.
В предрегистрации от 9 сентября я зафиксировал критерии фальсификации до анализа. Пороги 80% и 20% назвал предварительными. Изменить их можно было только после пилота на двух-трёх параметрах и до основного прогона. Каждая правка получает дату и запись в журнале. Старый текст не исчезает: я его зачёркиваю.
Часть порогов вообще не назначалась вручную. Границу насыщенности я рассчитал методом Отсу по кадрам: на графике это 0.447. Калибровочный набор для пилота выбрал заранее, с фиксированным seed 20260912. После пилота заморозил пороги в коде вместе с датой и обоснованием.
Для теста ориентации границу получил из точного нулевого распределения. Среди 12 870 разбиений рангов критической оказалась область "U не больше 13 или не меньше 51". Уровень составил 0.0499. Правило кодирования я записал до генерации.
Было и третье правило: не чинить промпт после результата. Когда "плоский треугольник" начал проваливаться, я оставил формулировку как есть. Промпты круга и треугольника различались одним словом, и сравнение держалось на этой разнице.
Черновик переписанных промптов я отклонил. В них уже читалась цель эксперимента, а базовая линия превращалась в артефакт инструкции.
Цена этой дисциплины проявилась позже. Первоначальный вывод о том, что SDXL не воспроизводит человеческую иерархию, пришлось понизить до непроверенной гипотезы. Независимая кодировка дала лишь 30% согласия. Обратно вывод я не повысил.
Таблица чисел неизвестного происхождения, однажды попавшая в переписку, тоже не стала данными. Решения, принятые на её основе, я отозвал до записи в файлы.
Предрегистрация не делает вывод верным. Она делает подгонку слишком дорогой.
Просишь горизонталь. Получаешь вертикаль
У сида 504 оказались собственные представления о пространстве. Его просили положить матовый чёрный стержень горизонтально, затем по диагонали, затем вертикально. Во всех 3 случаях стержень стоял.
Эксперимент был нарочно скучным. Белый студийный фон, один чёрный стержень, 3 словесные инструкции без градусов: горизонтальный, диагональный, вертикальный. Восемь сидов на каждую формулировку, всего 24 кадра на SDXL.
Если ориентация действительно управляется текстом, результат должен напоминать шкалу из 3 ступеней. Вместо шкалы получился выключатель.
Вертикаль сработала в 6 случаях из 8, диагональ в 5, горизонталь только в 2. Когда просьба совпадала с привычной для сцены позой, модель её исполняла. Когда шла против неё, текст часто проигрывал.
На половине сидов инструкция не работала вовсе. Сиды 504 и 506 ставили стержень вертикально при любой просьбе. Сиды 505 и 507 застревали на диагонали, даже когда их просили о вертикали. Горизонталь и диагональ на 7 сидах из 8 дали почти одинаковые угол и ракурс.
До аккуратного вопроса о порядке тест не добрался. В 16 кадрах из 24 вместо одного стержня появилось несколько. Это 66,7%. После такого дублирования чистой выборки для нормальной статистики уже не осталось.
Flux повёл себя иначе. Диагональ отличалась от горизонтали внутри сида в 5 случаях из 8. На SDXL такое различие встретилось не больше чем в одном случае. Но у сравнения есть неприятная оговорка: 23 кадра из 24 у Flux сняты строго анфас, а SDXL почти всегда выбирал ракурс с трёх четвертей.
Анфас устраняет путаницу между углом предмета в сцене и углом на изображении. Поэтому эти данные не доказывают, что Flux лучше исполняет геометрию. Они показывают, что модели по-разному ставят камеру, а одна из этих постановок случайно делает задачу проще.
Практический вывод скромнее. Если геометрическая инструкция не сработала, сначала смените сид. Переписывать формулировку стоит потом. На "залипшем" сиде текст может вообще не быть главным источником решения.
У сида 504 оказались собственные представления о пространстве. Его просили положить матовый чёрный стержень горизонтально, затем по диагонали, затем вертикально. Во всех 3 случаях стержень стоял.
Эксперимент был нарочно скучным. Белый студийный фон, один чёрный стержень, 3 словесные инструкции без градусов: горизонтальный, диагональный, вертикальный. Восемь сидов на каждую формулировку, всего 24 кадра на SDXL.
Если ориентация действительно управляется текстом, результат должен напоминать шкалу из 3 ступеней. Вместо шкалы получился выключатель.
Вертикаль сработала в 6 случаях из 8, диагональ в 5, горизонталь только в 2. Когда просьба совпадала с привычной для сцены позой, модель её исполняла. Когда шла против неё, текст часто проигрывал.
На половине сидов инструкция не работала вовсе. Сиды 504 и 506 ставили стержень вертикально при любой просьбе. Сиды 505 и 507 застревали на диагонали, даже когда их просили о вертикали. Горизонталь и диагональ на 7 сидах из 8 дали почти одинаковые угол и ракурс.
До аккуратного вопроса о порядке тест не добрался. В 16 кадрах из 24 вместо одного стержня появилось несколько. Это 66,7%. После такого дублирования чистой выборки для нормальной статистики уже не осталось.
Flux повёл себя иначе. Диагональ отличалась от горизонтали внутри сида в 5 случаях из 8. На SDXL такое различие встретилось не больше чем в одном случае. Но у сравнения есть неприятная оговорка: 23 кадра из 24 у Flux сняты строго анфас, а SDXL почти всегда выбирал ракурс с трёх четвертей.
Анфас устраняет путаницу между углом предмета в сцене и углом на изображении. Поэтому эти данные не доказывают, что Flux лучше исполняет геометрию. Они показывают, что модели по-разному ставят камеру, а одна из этих постановок случайно делает задачу проще.
Практический вывод скромнее. Если геометрическая инструкция не сработала, сначала смените сид. Переписывать формулировку стоит потом. На "залипшем" сиде текст может вообще не быть главным источником решения.
Интерес к запросу AI humanizer вырос на 36,5%. Но эта цифра не объясняет, зачем людям понадобились гуманизаторы.
Я попросил своего AI-коллегу Бенджи проверить тему по данным, а не по впечатлению от ленты.
Через SerpApi он получил данные Google Trends по всему миру. Мы сравнили 2 периода по 30 дней:
• 2–31 августа 2026 года
• 1–30 сентября 2026 года
Средний индекс поискового интереса изменился так:
• AI humanizer: с 58,23 до 79,47, рост на 36,5%
• humanize AI text: рост на 2,0%
• AI slop: рост на 8,1%
Важно: это относительный поисковый интерес, а не количество людей или запросов. По России данных оказалось недостаточно для надёжного вывода.
В сентябре в журнале Academic Psychiatry вышло письмо с конкретным случаем. Наставник посоветовал одной из авторов убрать из рукописи длинное тире, поскольку рецензенты могли принять этот знак за след использования AI.
Источник:
https://doi.org/10.1007/s40596-026-02435-4
В выпуске о LinkedIn обсуждали другой приём: намеренные опечатки. Там же заметили, что модель можно специально попросить их добавить.
Выпуск:
https://www.youtube.com/watch?v=RIGQlKo8xdU
Я бы не связывал эти истории с ростом поискового интереса напрямую. Данные не показывают, хотят ли люди писать лучше, обходить детекторы или просто изучают новые инструменты.
Но в своей работе я разделяю эти задачи.
Убрать пустое вступление или неестественный оборот полезно. Намеренно добавлять ошибку, чтобы выдать текст за человеческий, я бы не стал.
А вы уже меняли нормально написанную фразу только потому, что она звучала "как нейросеть"?
Я попросил своего AI-коллегу Бенджи проверить тему по данным, а не по впечатлению от ленты.
Через SerpApi он получил данные Google Trends по всему миру. Мы сравнили 2 периода по 30 дней:
• 2–31 августа 2026 года
• 1–30 сентября 2026 года
Средний индекс поискового интереса изменился так:
• AI humanizer: с 58,23 до 79,47, рост на 36,5%
• humanize AI text: рост на 2,0%
• AI slop: рост на 8,1%
Важно: это относительный поисковый интерес, а не количество людей или запросов. По России данных оказалось недостаточно для надёжного вывода.
В сентябре в журнале Academic Psychiatry вышло письмо с конкретным случаем. Наставник посоветовал одной из авторов убрать из рукописи длинное тире, поскольку рецензенты могли принять этот знак за след использования AI.
Источник:
https://doi.org/10.1007/s40596-026-02435-4
В выпуске о LinkedIn обсуждали другой приём: намеренные опечатки. Там же заметили, что модель можно специально попросить их добавить.
Выпуск:
https://www.youtube.com/watch?v=RIGQlKo8xdU
Я бы не связывал эти истории с ростом поискового интереса напрямую. Данные не показывают, хотят ли люди писать лучше, обходить детекторы или просто изучают новые инструменты.
Но в своей работе я разделяю эти задачи.
Убрать пустое вступление или неестественный оборот полезно. Намеренно добавлять ошибку, чтобы выдать текст за человеческий, я бы не стал.
А вы уже меняли нормально написанную фразу только потому, что она звучала "как нейросеть"?
SpringerLink
The Em Dash—Should We Allow AI to Change Our Writing Styles?
Academic Psychiatry -
Процесс завершился успешно. А задача?
Две ночи подряд моя AI-система заканчивала работу с отметкой
При этом 4 октября анализ остановился на проверке источника. На следующий день новый прогон заблокировался из-за незакрытой предыдущей ошибки.
Утренний отчёт пришёл в Telegram. В нём честно было написано: результат заблокирован.
Получается, контроллер отработал, отчёт отправился, а нужный этап анализа не завершился. И все эти состояния вполне могут существовать одновременно.
Я собираю собственную редакционную систему: она находит материалы и помогает отбирать идеи для канала. В эти ночи работал режим анализа, поэтому готового поста я от неё не ждал. Но даже для такого ограниченного задания отметки
Причём контроллер не обязательно ошибался. Он мог успешно обработать отказ, сохранить причину и завершить работу. Если смотреть только на его последнюю строку, легко принять это за успех всей задачи.
Теперь при проверке я отдельно смотрю на результат конкретного этапа. Если система оценивает материал, нужна пригодная оценка, а не просто ответ модели. Если проверяет источник, нужна подтверждённая связь с исходным текстом. Отправка отчёта проверяется отдельно и ничего не говорит о качестве анализа.
Старый отклонённый прогон мы закрыли с явной причиной отказа. Это сняло обнаруженный блокер, но не превратило неудачный анализ в удачный. Следующая ночь ещё должна пройти проверку.
Пока дорабатываю систему, сохраняю и такие случаи. В логах они выглядят буднично: рядом стоят
Две ночи подряд моя AI-система заканчивала работу с отметкой
night controller ok.При этом 4 октября анализ остановился на проверке источника. На следующий день новый прогон заблокировался из-за незакрытой предыдущей ошибки.
Утренний отчёт пришёл в Telegram. В нём честно было написано: результат заблокирован.
Получается, контроллер отработал, отчёт отправился, а нужный этап анализа не завершился. И все эти состояния вполне могут существовать одновременно.
Я собираю собственную редакционную систему: она находит материалы и помогает отбирать идеи для канала. В эти ночи работал режим анализа, поэтому готового поста я от неё не ждал. Но даже для такого ограниченного задания отметки
ok оказалось недостаточно.Причём контроллер не обязательно ошибался. Он мог успешно обработать отказ, сохранить причину и завершить работу. Если смотреть только на его последнюю строку, легко принять это за успех всей задачи.
Теперь при проверке я отдельно смотрю на результат конкретного этапа. Если система оценивает материал, нужна пригодная оценка, а не просто ответ модели. Если проверяет источник, нужна подтверждённая связь с исходным текстом. Отправка отчёта проверяется отдельно и ничего не говорит о качестве анализа.
Старый отклонённый прогон мы закрыли с явной причиной отказа. Это сняло обнаруженный блокер, но не превратило неудачный анализ в удачный. Следующая ночь ещё должна пройти проверку.
Пока дорабатываю систему, сохраняю и такие случаи. В логах они выглядят буднично: рядом стоят
ok и failed. Для человека, которому нужен результат, разница между ними совсем не будничная.Я взял книги аниматоров Disney и решил проверить, что из них можно перенести в AI-промпты
Мне было интересно, можно ли собрать из профессиональной литературы рабочую грамматику для генерации изображений. Как описывать кадр, чтобы было понятно, что в нём главное, чем можно пожертвовать и какие требования нельзя потерять.
Для проекта Visual Grammar я выбрал оригинальные англоязычные первоисточники. Не пересказы книг и не подборки советов по промптингу. Хотелось разобрать сами решения авторов: что они меняли, ради какого эффекта и почему один вариант работал, а другой нет.
В основу вошли 3 книги.
The Illusion of Life: Disney Animation, Фрэнк Томас и Олли Джонстон. Книга аниматоров Disney о том, как создавали персонажей и добивались убедительности их поведения. Это не книга, написанная Уолтом Диснеем, а взгляд людей, работавших в его студии.
Из неё разбирали конкретные случаи: отношения дизайна Мэри Блэр с анимацией, читаемость простого силуэта на сложном фоне, компромиссы между верностью рисунку и жизнью персонажа. В одном случае сохранение дизайна мешало убедительной анимации. В декоративном номере похожее ограничение становилось допустимым. Значит, до описания кадра нужно определить задачу: одинаковые визуальные требования не всегда имеют одинаковый приоритет.
Lighting for Product Photography: A Step-by-Step Guide to Sculpting with Light, Эллисон Эрнест. Здесь разбирали предметную фотографию: как свет выявляет форму, что происходит с бликом на стекле, почему объект сливается с фоном. Вместо персонажа и его характера на первый план выходили материал и читаемость предмета.
The Visual Story: Creating the Visual Structure of Film, TV and Digital Media, Брюс Блок. Пространство, линия и форма, тон, цвет, движение, ритм. Для работы использовали купленное второе издание 2008 года и официальные фрагменты третьего издания 2021 года. Издания учитывали отдельно, без смешивания страниц и ссылок.
Дополнительно изучили первичные материалы из архитектуры: отчёт конкурсного жюри по проекту 338 Pitt Street в Сиднее и статью Beyond words: Aesthetic knowledge and knowing in design Бенджамина Эвенстейна и Дженнифер Уайт. Хотелось посмотреть, как визуальные решения описывают за пределами кино и фотографии.
Книги разбирали по выбранным разделам и случаям, а не объявляли прочитанными целиком. Для каждого случая фиксировали страницу, что меняли и зачем. Claude помогал с разметкой, я утверждал карточки. Затем её сверяли со вторым LLM-кодировщиком, которому не показывали первую разметку.
После этого началась проверка на изображениях. Человеческий приём ещё не означает, что генеративная модель исполнит его по тексту.
На SDXL просили горизонтальный, диагональный и вертикальный стержень. Вертикаль получилась в 6 случаях из 8, горизонталь в 2. На половине сидов, то есть вариантов исходной случайности, смена инструкции вообще не меняла категорию ориентации.
В другой сцене сравнили плоские фигуры с объёмными. Сфера и пирамида получались без брака в проверенных сериях. Плоский круг часто превращался в посуду с бортиком, треугольник в объёмное тело. Модель охотнее сохраняла привычный вид предметной съёмки, чем следовала просьбе о плоскостности.
Проверка затронула и сам метод: если 2 наблюдателя по-разному понимают, где силуэт слился с фоном, число в отчёте ещё не делает оценку надёжной. Часть первоначальных выводов пришлось понизить до гипотез.
Практический результат я оформил в скилл для Claude Code: image-prompt-grammar. Он помогает собрать промпт, отделяет измеренные на SDXL ограничения от ремесленных рекомендаций и предупреждает, когда одного текста недостаточно. Сам скилл изображения не генерирует.
Я хотел получить способ осмысленно задавать кадр. Получился ещё и список границ: где можно опереться на формулировку, где нужен отбор изображений, а где пока нет проверенного решения. Большая часть тестов проведена на SDXL, Flux проверяли выборочно. На другие модели эти результаты без проверки не переношу.
Мне было интересно, можно ли собрать из профессиональной литературы рабочую грамматику для генерации изображений. Как описывать кадр, чтобы было понятно, что в нём главное, чем можно пожертвовать и какие требования нельзя потерять.
Для проекта Visual Grammar я выбрал оригинальные англоязычные первоисточники. Не пересказы книг и не подборки советов по промптингу. Хотелось разобрать сами решения авторов: что они меняли, ради какого эффекта и почему один вариант работал, а другой нет.
В основу вошли 3 книги.
The Illusion of Life: Disney Animation, Фрэнк Томас и Олли Джонстон. Книга аниматоров Disney о том, как создавали персонажей и добивались убедительности их поведения. Это не книга, написанная Уолтом Диснеем, а взгляд людей, работавших в его студии.
Из неё разбирали конкретные случаи: отношения дизайна Мэри Блэр с анимацией, читаемость простого силуэта на сложном фоне, компромиссы между верностью рисунку и жизнью персонажа. В одном случае сохранение дизайна мешало убедительной анимации. В декоративном номере похожее ограничение становилось допустимым. Значит, до описания кадра нужно определить задачу: одинаковые визуальные требования не всегда имеют одинаковый приоритет.
Lighting for Product Photography: A Step-by-Step Guide to Sculpting with Light, Эллисон Эрнест. Здесь разбирали предметную фотографию: как свет выявляет форму, что происходит с бликом на стекле, почему объект сливается с фоном. Вместо персонажа и его характера на первый план выходили материал и читаемость предмета.
The Visual Story: Creating the Visual Structure of Film, TV and Digital Media, Брюс Блок. Пространство, линия и форма, тон, цвет, движение, ритм. Для работы использовали купленное второе издание 2008 года и официальные фрагменты третьего издания 2021 года. Издания учитывали отдельно, без смешивания страниц и ссылок.
Дополнительно изучили первичные материалы из архитектуры: отчёт конкурсного жюри по проекту 338 Pitt Street в Сиднее и статью Beyond words: Aesthetic knowledge and knowing in design Бенджамина Эвенстейна и Дженнифер Уайт. Хотелось посмотреть, как визуальные решения описывают за пределами кино и фотографии.
Книги разбирали по выбранным разделам и случаям, а не объявляли прочитанными целиком. Для каждого случая фиксировали страницу, что меняли и зачем. Claude помогал с разметкой, я утверждал карточки. Затем её сверяли со вторым LLM-кодировщиком, которому не показывали первую разметку.
После этого началась проверка на изображениях. Человеческий приём ещё не означает, что генеративная модель исполнит его по тексту.
На SDXL просили горизонтальный, диагональный и вертикальный стержень. Вертикаль получилась в 6 случаях из 8, горизонталь в 2. На половине сидов, то есть вариантов исходной случайности, смена инструкции вообще не меняла категорию ориентации.
В другой сцене сравнили плоские фигуры с объёмными. Сфера и пирамида получались без брака в проверенных сериях. Плоский круг часто превращался в посуду с бортиком, треугольник в объёмное тело. Модель охотнее сохраняла привычный вид предметной съёмки, чем следовала просьбе о плоскостности.
Проверка затронула и сам метод: если 2 наблюдателя по-разному понимают, где силуэт слился с фоном, число в отчёте ещё не делает оценку надёжной. Часть первоначальных выводов пришлось понизить до гипотез.
Практический результат я оформил в скилл для Claude Code: image-prompt-grammar. Он помогает собрать промпт, отделяет измеренные на SDXL ограничения от ремесленных рекомендаций и предупреждает, когда одного текста недостаточно. Сам скилл изображения не генерирует.
Я хотел получить способ осмысленно задавать кадр. Получился ещё и список границ: где можно опереться на формулировку, где нужен отбор изображений, а где пока нет проверенного решения. Большая часть тестов проведена на SDXL, Flux проверяли выборочно. На другие модели эти результаты без проверки не переношу.
🔥1
Больше 20 лет в стандарте цифровой подписи оставалась загадка: откуда взялись его исходные числа.
Сами числа не были секретом. Их опубликовали вместе с параметрами математических кривых, используемых в ECDSA, одном из алгоритмов цифровой подписи. Но происхождение этих чисел не объяснили. Их передало американское Агентство национальной безопасности, и недосказанность подпитывала подозрения: вдруг параметры подобрали с умыслом?
Была версия, что сотрудник агентства получил числа из шуточной фразы, пропустив её через хеш-функцию. Что-то вроде просьбы прибавить зарплату Бобу и Джерри. В 2023 году за разгадку даже объявили награду.
Ответ, о котором Anthropic сообщила 16 октября, оказался связан с часами.
По рассказу команды, сотрудник дал внутренней исследовательской модели Claude эту задачу, не подсказывая версию про фразу. Модель стала искать следы старых генераторов псевдослучайных чисел. Менее чем за полчаса она восстановила происхождение 5 исходных значений: их давал генератор из библиотеки C, начальное состояние которого задавалось отметкой времени.
Для этих 5 значений найденные отметки относятся к 1997–1998 годам.
Звучит тревожно: криптография, старый генератор, предсказуемое время. Но здесь легко перепутать 2 разные вещи.
Общие параметры алгоритма не являются вашим секретным ключом. Они опубликованы и используются многими людьми. Восстановить способ их получения не значит научиться подписывать сообщения за владельца чужого ключа. Здесь появилась возможность проверить происхождение известных чисел, а не подделать цифровую подпись.
Мой AI-коллега Бенджи отдельно пересчитал 5 значений по опубликованному рецепту и сравнил их с целями из объявления о награде 2023 года. Совпали все 5. Это проверка рецепта по известным входным данным, не повтор открытия с нуля.
История при этом закрыта не полностью. Остались вопросы к происхождению других параметров и к тому, почему при выборе кривых некоторые подходящие варианты пропускали. Найденный рецепт сам по себе не доказывает отсутствие любого умысла.
Разбор Anthropic, 16 октября 2026
https://www.anthropic.com/research/ecdsa-curve-origins
Объявление о награде, 2023
https://words.filippo.io/seeds-bounty/
Сами числа не были секретом. Их опубликовали вместе с параметрами математических кривых, используемых в ECDSA, одном из алгоритмов цифровой подписи. Но происхождение этих чисел не объяснили. Их передало американское Агентство национальной безопасности, и недосказанность подпитывала подозрения: вдруг параметры подобрали с умыслом?
Была версия, что сотрудник агентства получил числа из шуточной фразы, пропустив её через хеш-функцию. Что-то вроде просьбы прибавить зарплату Бобу и Джерри. В 2023 году за разгадку даже объявили награду.
Ответ, о котором Anthropic сообщила 16 октября, оказался связан с часами.
По рассказу команды, сотрудник дал внутренней исследовательской модели Claude эту задачу, не подсказывая версию про фразу. Модель стала искать следы старых генераторов псевдослучайных чисел. Менее чем за полчаса она восстановила происхождение 5 исходных значений: их давал генератор из библиотеки C, начальное состояние которого задавалось отметкой времени.
Для этих 5 значений найденные отметки относятся к 1997–1998 годам.
Звучит тревожно: криптография, старый генератор, предсказуемое время. Но здесь легко перепутать 2 разные вещи.
Общие параметры алгоритма не являются вашим секретным ключом. Они опубликованы и используются многими людьми. Восстановить способ их получения не значит научиться подписывать сообщения за владельца чужого ключа. Здесь появилась возможность проверить происхождение известных чисел, а не подделать цифровую подпись.
Мой AI-коллега Бенджи отдельно пересчитал 5 значений по опубликованному рецепту и сравнил их с целями из объявления о награде 2023 года. Совпали все 5. Это проверка рецепта по известным входным данным, не повтор открытия с нуля.
История при этом закрыта не полностью. Остались вопросы к происхождению других параметров и к тому, почему при выборе кривых некоторые подходящие варианты пропускали. Найденный рецепт сам по себе не доказывает отсутствие любого умысла.
Разбор Anthropic, 16 октября 2026
https://www.anthropic.com/research/ecdsa-curve-origins
Объявление о награде, 2023
https://words.filippo.io/seeds-bounty/
Anthropic
Claude reveals ECDSA curve origins
The decades-old mystery of the origins of one of the most popular cryptographic standards has been explained.
ИИ отчитался: реакций нет ни на одном из 165 постов. Они были под 139.
Отчёт пришёл аккуратный: канал компании, где я работаю, 4 года, таблица по периодам, медианы просмотров. К строке про реакции ассистент приложил объяснения. Аудитория пассивная. Или реакции в канале отключены. Обе версии звучали разумно: подписчиков 252, в основном дизайнеры и комплектаторы, люди занятые.
Расхождение показала админ-статистика канала. Скрипт, который ассистент сам написал для сбора данных, читал публичную страницу и искал число не в том месте разметки. Каждый раз находил пустоту и записывал ноль. Исправили одной строкой кода.
Голый ноль я бы проверил, он подозрителен сам по себе. С объяснением рядом он выглядел как вывод.
Абзац про пассивную аудиторию из отчёта пришлось удалить целиком.
Как я теперь проверяю цифры от ИИ:
• прошу показать путь к цифре, запрос ниже. Открыв такие ссылки, я бы сразу увидел реакции под постами;
• три объекта для сверки выбираю сам, и один из них обязательно с нулём;
• если второго источника нет, считаю руками 5 строк;
• первыми проверяю нули, 100% и круглые числа: к ним ИИ легче всего пристёгивает объяснение;
• "перепроверь" больше не прошу: ассистент шёл тем же путём и приходил к тому же нулю, только увереннее.
Запрос:
Покажи, как ты получил этот вывод. Выведи исходные значения по трём объектам со ссылками, чтобы я мог открыть их и сверить. Отдельно напиши, сколько в данных нулей и пустых значений.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Я Александр Игнатов, маркетолог. Собрал себе AI-коллегу и отдал ему половину работы. Здесь пишу, что из этого выходит на самом деле: где ИИ справился, где соврал и что пришлось переделать.
С чего начать:
• Процесс завершился успешно. А задача? Две ночи система писала "ok", а анализ не завершился: t.me/airedactum/93
• ИИ отчитался, что реакций нет ни на одном из 165 постов. Они были под 139: t.me/airedactum/103
• Камера текстом: как описывать движение камеры для Runway и Kling, t.me/airedactum/38. Готовый промпт: t.me/airedactum/37
• От генерации кадра к логике мира: что Runway называет world model, t.me/airedactum/25
Вопросы и предложения: @proignatov
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
За год скрипт нашёл в моей личке 49 вопросов, около 30 из них о продукте. Тема, которая выглядела главной, оказалась вопросами одного человека.
Максим Ильяхов выложил 4 способа искать темы. Один из них закон парных случаев: если вопрос пришёл дважды, он придёт снова. Я проверил его на канале компании, где работаю. Это производитель обоев под покраску. AI-ассистент написал скрипт, который прошёл мою переписку в Telegram за год, 170 чатов, и оставил входящие сообщения со знаком вопроса и словами про продукт. Claude разложил 49 вопросов по смыслу на 6 групп.
Про монтаж, швы и клей набралось 5 вопросов. Сначала это выглядело готовой темой: за 4 года в канале было 2 поста про клей и ни одного про шпаклёвку стыков. Потом я посмотрел, откуда они пришли. Все 5 из одного чата, от партнёра-дизайнера. За месяц оттуда спросили про клей на 2 рулона, про шпаклёвку швов, которую хотел сделать прораб, и про грунт. Это один дотошный собеседник, пусть и с хорошими вопросами.
Настоящие пары нашлись в вопросах попроще. Про наличие и доставку спрашивали из 5 разных чатов: есть ли стеклохолст, по сколько метров рулоны, когда ждать доставку, можно ли привезти на другой адрес. Про образцы и выкрасы спрашивали в 3.
Второй способ, чужие удачные посты, скрипт проверил на 46 каналах про дизайн и ремонт за 45 дней. Он искал посты, которые переслали хотя бы втрое чаще обычного для своего канала, и нашёл 45. Среди практичных лидировали подборки: цветовые сочетания для гостиной (194 пересылки, в 5 раз выше нормы канала), список производств и мастерских по материалам (36 пересылок, в 12 раз), совет переделать мебель ножками (40 пересылок, почти в 6 раз). Похоже, дизайнеры пересылают то, что можно унести на объект. Пока это гипотеза по нескольким постам, её проверит первая подборка.
Два других способа Ильяхова дали мало: архив канала слишком мал, чтобы увидеть выбросы, а из 717 запросов журналистов на Pressfeed нам подошли 2.
Пост про швы уже вышел: технолог ответил, что стыки этих обоев не шпаклюют. Через месяц напишу, как сработали первые посты по этим темам.
Как повторить:
• нужен доступ к Telegram API на my.telegram.org и запуск Python в терминале;
• скрипт на Telethon берёт входящие от людей со знаком вопроса и словами про продукт, имена не сохраняет;
• перед отправкой в Claude уберите из текстов адреса и цены;
• выброс у соседей: пересылки поста делим на медиану пересылок канала за 45 дней, порог 3.
Запрос для группировки:
Сгруппируй эти вопросы по смыслу, а не по словам. Для каждой группы: название, сколько вопросов, из скольких разных чатов, два примера дословно. Ничего не додумывай.
Please open Telegram to view this post
VIEW IN TELEGRAM
В рекламе одного русскоязычного курса по ИИ-блогерам пишут, что создатели Жана Фила "заработали миллионы долларов". По данным французского издания L'ADN, кошелёк, с которого выпустили токен персонажа, вложил около 43 долларов и к 1 октября получил больше 100 тыс. долларов комиссий.
Жан Фил это ИИ-персонаж в Instagram* и TikTok. Появился в середине сентября, аккаунт ведётся из Бельгии. Через 1-2 дня после старта вышел мемкоин, который аккаунт назвал официальным.
Видео, по словам автора, сгенерированы не целиком. Снимают живого человека, а поверх накладывают ИИ-персонажа.
Я попросил ИИ-помощника проверить тезисы рекламы по ZDF, VRT, Télérama, BBC Verify и другим источникам.
Капитализация мемкоина на пике около 12 млн долларов, к 1-2 октября упала до 2-3 млн. Это цена всех монет по курсу, а не деньги на чьём-то счёте. Комиссии это доля с каждой сделки, отсюда и 100 тыс. Свои токены кошелёк на 1 октября не продал (ZDF). Мошенничество не доказано.
Миллионы тут подтверждены только в цене монет, а миллионный заработок в найденных источниках не подтверждён.
В той же рекламе ещё 3 тезиса:
- "почти 300 тысяч подписчиков": так подтверждается для TikTok, 286 тыс. на 24 октября. В Instagram* около 240 тыс. на 8-10 октября, точное число на 24 октября установить не удалось;
- "сотни миллионов просмотров": нашли 77 млн в Instagram* к 30 сентября и около 57 млн в TikTok в начале октября, вместе около 134 млн;
- "бан, потому что не совсем честно": около 16 октября сам аккаунт написал в X, что Instagram* временно приостановил профиль из-за массовых жалоб. На 24 октября не нашли ни комментария Meta*, ни статей СМИ.
Когда в рекламе курса пишут "заработали", первый вопрос: это деньги на счёте или цена монет.
Какие цифры заработка вы видели в рекламе ИИ-курсов и удалось ли их проверить?
*Instagram принадлежит Meta Platforms Inc., которая признана экстремистской организацией, её деятельность в России запрещена.
Please open Telegram to view this post
VIEW IN TELEGRAM
3 месяца мой тестовый дашборд с рабочими данными был открыт по ссылке, а я о нём не помнил.
24 октября нашёл его за 2 минуты, когда проверял настройки ChatGPT и Claude. Открытых ссылок оказалось 5: 3 общих чата в ChatGPT, 1 опубликованный чат в Claude и этот дашборд. В настройках конфиденциальности Claude, ниже опубликованных чатов, есть отдельный список "Артефакты Claude Code". Его легко пропустить. Дашборд лежал там. Открытым он был, судя по дате, с середины июля. Открывал ли его кто-то, я не знаю. Сейчас он приватный.
В октябре похожая история случилась у Meta*. У её ИИ-агента Muse название беседы стояло прямо в имени сайта в ссылке "Поделиться", в поддомене. Поисковики эти страницы не видели, но при открытии ссылки это имя могли записать сервисы, которые собирают историю DNS-запросов. Исследователи из Claroc нашли в такой истории больше 6800 адресов и открыли несколько сотен страниц. Среди них были обзор выручки для CEO и заявка на кредит. По словам Claroc, признаков, что данными воспользовались, нет. 20 октября Meta* приостановила функцию.
Публичная ссылка на чат и есть публикация, даже если поисковик её не видит. В справке OpenAI так и написано: закрытость от поисковиков не делает ссылку приватной, а срок действия у ссылки задать нельзя.
Где смотреть:
ChatGPT: Настройки → "Элементы управления данными" → "Общие ссылки" → "Управлять".
Claude: Настройки → "Конфиденциальность" → "Опубликованные чаты", и ниже, отдельным списком, "Артефакты Claude Code".
Ссылки на рабочие и личные данные закройте. Остальные оставьте, только если готовы к тому, что их перешлют дальше. Закрытая ссылка перестанет работать, но копии, которые уже сохранили, останутся.
Сколько открытых ссылок нашлось у вас, и было ли там то, о чём вы забыли?
*Meta Platforms Inc. признана экстремистской организацией, её деятельность в России запрещена.
Please open Telegram to view this post
VIEW IN TELEGRAM
Агенты работают параллельно, а человек переключается между их задачами.
Инженер Ben Stolovitz описывает рабочий день с 5 или 6 агентами (AI-программами, самостоятельно выполняющими порученную задачу), каждому из которых выделена своя копия кода. По его оценке, прототип новой функции появляется примерно за 20 минут. Это оценка из его практики, но она помогает понять привлекательность такого режима: можно быстро пробовать идеи, до которых иначе не дошли бы руки.
При этом 6 разговоров о разных функциях оказались для него утомительнее обычного написания кода. Поначалу он спешил отвечать агентам, как отвечал бы людям. Позже научился сдерживать этот порыв, но переключение между задачами всё равно утомляло. Значит, в описанном им опыте дело было не только в привычке немедленно реагировать на сообщение.
Stolovitz по-прежнему сам проверяет код и тестирует его вручную. Вместо построчного ревью больше смотрит на архитектуру и ошибки самого подхода. Для меня получение прототипа и оценка его пригодности не одно и то же. Усталость от координации описывает источник; нагрузку на приёмке я предлагаю проверить отдельно.
При этом Stolovitz положительно оценивает агентов и возможность пробовать необычные идеи. Его опыт не даёт основания назначать 6 агентов пределом. Я бы взял из него другой вопрос перед расширением параллельной работы: сколько результатов вы успеваете проверить с нужной глубиной? До добавления агентов я бы проверил нагрузку на человека, который принимает их работу.
Источник: Ben Stolovitz
https://ben.stolovitz.com/posts/how-use-ai-oct-2026/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2