WireTapper — мощный инструмент разведки написанный на Python.
Представьте карту, на которой отображается практически весь невидимый цифровой мир вокруг вас:
WireTapper — open-source платформа для разведки и анализа радиосигналов.
Умеет:
📺 находить Smart TV и различный IoT;
Софт не ограничивается локальными данными, а интегрируется с WiGLE, wpa-sec, OpenCellID и Shodan, за счёт чего обнаруженные идентификаторы можно дополнять информацией из внешних баз.
Есть даже механизм поиска известных утечек Wi-Fi credentials с использованием k-anonymity, чтобы не отправлять проверяемые значения целиком.
#python #soft #github
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
Гайд_по_сборке_простого_Wi_Fi_«радара».pdf
1.4 MB
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3
Free AI.pdf
149.2 KB
Сборник 300 бесплатных AI - Инструментов
- Редактирование фото и видео;
- Бизнес анализ и аудит;
- Разработка и технологии;
- Data + Engineering.
- Редактирование фото и видео;
- Бизнес анализ и аудит;
- Разработка и технологии;
- Data + Engineering.
❤3
• Нашел бесплатный курс по изучению Nmap. Сразу отмечу, что курс только для тех, кто ни разу не пользовался данным инструментом, но имел желание его изучить. Для всех остальных этот курс не принесет никакой пользы, поэтому не теряйте время и лучше обратите свое внимание на подборку дополнительного материала - там много всего интересного.
• Что касается курса, то он содержит 16 уроков и 36 тестов. Есть куча практических примеров и пошаговых инструкций. Материал даст прочную базу знаний и навыков, которые вы сможете использовать для анализа сетей и проверки их безопасности.
➡ Забираем отсюда: https://stepik.org/course/227643/
• Дополнительно⬇️
➡ Справочное руководство Nmap — официальное справочное руководство на русском языке;
➡ Nmap Cheat Sheet 2026 — актуальная шпаргалка, которая поможет вам автоматизировать свою работу и сократить время на выполнение определенных задач;
➡ Неочевидные функции nmap — очень объемная статья с форума XSS, которая описывает неочевидные функции Nmap и его возможности. Материал будет полезен пентестерам и #ИБ специалистам;
➡ Бесплатные лабораторные работы для изучения Nmap — полностью интерактивные лаборатории, разработанные для более быстрого и эффективного обучения. Даже есть ИИ помощник, если возникнут трудности с выполнением заданий.
➡ Nmap + Grafana — в этой статье описано создание панели управления Nmap с помощью Grafana и Docker, чтобы получить полноценный обзор сети и открытых служб;
➡ Прокачай свой nmap — статья от журнала ][акер, которая поможет не только разобраться с основами, но еще и даст необходимую информацию по написанию собственных скриптов;
➡ Nmap NSE Library — множество доступных сценариев NSE, которые разбиты на разные категории.
➡ Nmap для пентестера — полезный материал, который подойдет опытным специалистам.
#Nmap
• Что касается курса, то он содержит 16 уроков и 36 тестов. Есть куча практических примеров и пошаговых инструкций. Материал даст прочную базу знаний и навыков, которые вы сможете использовать для анализа сетей и проверки их безопасности.
• Дополнительно
#Nmap
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5
Умный, локальный и без цензуры Qwen3.8-Flash-Next
«Almost Zero refusal» — ей всё равно, что ты спросишь. Она не будет говорить «не могу ответить на этот вопрос». Это главная фишка.
«125B total / 6B active + 51B n-gram table»— это не стандартная плотная модель. Используется техника MOE (Mixture of Experts) — при каждом запросе активна только часть нейронов (6 млрд), но общий «словарь» знаний огромен (125 млрд). Это позволяет ей быть умной, но при этом жрать мало памяти.
«Vision, tools, reasoning» — она умеет смотреть на картинки (мультимодальность), пользоваться внешними инструментами (как API, калькулятор) и логически рассуждать (цепочки мыслей).
«262K context» — она «помнит» книгу размером с «Войну и мир» (262 тысячи токенов) за раз.
«Gated DeltaNet + Qwen Sparse Attention» — это технические ухищрения для ускорения работы и экономии памяти. Обычные трансформеры жрут много ресурсов, а эти механизмы пытаются решить эту проблему
Репозиторий
«Almost Zero refusal» — ей всё равно, что ты спросишь. Она не будет говорить «не могу ответить на этот вопрос». Это главная фишка.
«125B total / 6B active + 51B n-gram table»— это не стандартная плотная модель. Используется техника MOE (Mixture of Experts) — при каждом запросе активна только часть нейронов (6 млрд), но общий «словарь» знаний огромен (125 млрд). Это позволяет ей быть умной, но при этом жрать мало памяти.
«Vision, tools, reasoning» — она умеет смотреть на картинки (мультимодальность), пользоваться внешними инструментами (как API, калькулятор) и логически рассуждать (цепочки мыслей).
«262K context» — она «помнит» книгу размером с «Войну и мир» (262 тысячи токенов) за раз.
«Gated DeltaNet + Qwen Sparse Attention» — это технические ухищрения для ускорения работы и экономии памяти. Обычные трансформеры жрут много ресурсов, а эти механизмы пытаются решить эту проблему
Репозиторий
C.I.T. Security
https://github.com/gnekt/My-Brain-Is-Full-Crew
https://github.com/diegosouzapw/OmniRoute
seems like cool combo
seems like cool combo
GitHub
GitHub - diegosouzapw/OmniRoute: Never stop coding. Free MIT AI gateway: one endpoint, 352 providers (150+ free), 1200+ models…
Never stop coding. Free MIT AI gateway: one endpoint, 352 providers (150+ free), 1200+ models Kimi, Claude, GPT, Gemini, GLM, DeepSeek, MiniMax. Works with Claude Code, Codex, Cursor, OpenCode, Cli...
❤2
Run iOS/ macOS in Qemu. Virtual iPhone 17, 16, 15, 14, 13, 12 and M5-M1 Apple Si Macs supported.
https://github.com/jprx/darwin-vm
https://github.com/jprx/darwin-vm
GitHub
GitHub - jprx/darwin-vm: Run iOS/ macOS in Qemu. Virtual iPhone 17, 16, 15, 14, 13, 12 and M5-M1 Apple Si Macs supported.
Run iOS/ macOS in Qemu. Virtual iPhone 17, 16, 15, 14, 13, 12 and M5-M1 Apple Si Macs supported. - jprx/darwin-vm
👏5❤2
Media is too big
VIEW IN TELEGRAM
Qwen3.8-27B — компактный монстр от Alibaba Cloud
🔹 Что это за модель
Qwen3.8-27B — это dense (плотная) языковая модель с визуальным кодировщиком на 27 миллиардов параметров. Нативно понимает текст, картинки и видео. Архитектура гибридная: 64 слоя, hidden dimension 5120, контекст 262K токенов (расширяется до 1M). Реально держит длинные документы, кодовые базы и видео длительностью до часа без потери связности.
🔹 Чем лучше предыдущих поколений
• Значительный прирост в кодинге — 79.0 на QwenSWEBench против 49.3 у Qwen3.6-27B.
• SWE-bench Pro 61.7 — выше, чем у Opus4.6 Max (53.4).
• DeepSWE 1.1 — 42.2 против 13.3 у прошлого поколения. Реальный рост, а не маркетинг.
• IFBench 79.5 — почти лучший результат в индустрии по следованию инструкциям.
• GPQA Diamond 89.2 — сильные научные рассуждения.
🔹 Для чего подходит
• Автономные агенты с многошаговой логикой (CoWorkBench 70.7 — топ).
• Программирование: от автодополнения до рефакторинга целых репозиториев (NL2Repo-Bench 42.3).
• Анализ документов, схем, графиков, скриншотов интерфейса.
• Понимание длинных видео (до часа) — нативно, без костылей.
• Гибкое управление «мышлением»: режим рассуждений включается по запросу, глубина настраивается параметром reasoning_effort.
🔹 Гибридная архитектура
Внутри 16 блоков по схеме «3 × (Gated DeltaNet → FFN) → 1 × (Gated Attention → FFN)». Проще говоря, основная масса слоёв — линейное внимание DeltaNet (быстрое и экономное), а каждый 16-й слой — классический full attention для точности на длинных зависимостях. На практике это даёт и скорость, и качество.
🔹 Запуск на 16 ГБ видеокарты
Оригинал в BF16 весит 55.6 ГБ — на одну карту не влезает. Но у ребят из Unsloth есть готовые GGUF-кванты под llama.cpp. Для 16 ГБ VRAM оптимальный вариант — Q2_K_XL (9.83 ГБ) или UD-IQ3_XXS (10.9 ГБ). Качество падает на 6-8% но модель всё еще способна на многое.
🔹 Для 27 ГБ VRAM UD-Q4_K_M (16.5 ГБ) Это «золотая середина»: качество падает минимально (потери ~3-5% на бенчмарках), а скорость генерации остаётся комфортной.
🔹 Для 32ГБ VRAM отличная UD-Q5_K_XL (20.9 ГБ).
По ссылке ниже — официальный репозиторий Unsloth на Hugging Face, с моделями с динамическими квантами GGUF - Dynamic 3.
Qwen3.8-27B-GGUF (Dynamic 3) на Hugging Face
Мои ресурсы:
🔹 stabledif.ru/comfyui
🔹 boosty.to/stabledif
🔹 stabledif.ru/stream
🔹 max.ru/stable_dif
🔹 vk.ru/stabledif
🔹 Что это за модель
Qwen3.8-27B — это dense (плотная) языковая модель с визуальным кодировщиком на 27 миллиардов параметров. Нативно понимает текст, картинки и видео. Архитектура гибридная: 64 слоя, hidden dimension 5120, контекст 262K токенов (расширяется до 1M). Реально держит длинные документы, кодовые базы и видео длительностью до часа без потери связности.
🔹 Чем лучше предыдущих поколений
• Значительный прирост в кодинге — 79.0 на QwenSWEBench против 49.3 у Qwen3.6-27B.
• SWE-bench Pro 61.7 — выше, чем у Opus4.6 Max (53.4).
• DeepSWE 1.1 — 42.2 против 13.3 у прошлого поколения. Реальный рост, а не маркетинг.
• IFBench 79.5 — почти лучший результат в индустрии по следованию инструкциям.
• GPQA Diamond 89.2 — сильные научные рассуждения.
🔹 Для чего подходит
• Автономные агенты с многошаговой логикой (CoWorkBench 70.7 — топ).
• Программирование: от автодополнения до рефакторинга целых репозиториев (NL2Repo-Bench 42.3).
• Анализ документов, схем, графиков, скриншотов интерфейса.
• Понимание длинных видео (до часа) — нативно, без костылей.
• Гибкое управление «мышлением»: режим рассуждений включается по запросу, глубина настраивается параметром reasoning_effort.
🔹 Гибридная архитектура
Внутри 16 блоков по схеме «3 × (Gated DeltaNet → FFN) → 1 × (Gated Attention → FFN)». Проще говоря, основная масса слоёв — линейное внимание DeltaNet (быстрое и экономное), а каждый 16-й слой — классический full attention для точности на длинных зависимостях. На практике это даёт и скорость, и качество.
🔹 Запуск на 16 ГБ видеокарты
Оригинал в BF16 весит 55.6 ГБ — на одну карту не влезает. Но у ребят из Unsloth есть готовые GGUF-кванты под llama.cpp. Для 16 ГБ VRAM оптимальный вариант — Q2_K_XL (9.83 ГБ) или UD-IQ3_XXS (10.9 ГБ). Качество падает на 6-8% но модель всё еще способна на многое.
🔹 Для 27 ГБ VRAM UD-Q4_K_M (16.5 ГБ) Это «золотая середина»: качество падает минимально (потери ~3-5% на бенчмарках), а скорость генерации остаётся комфортной.
🔹 Для 32ГБ VRAM отличная UD-Q5_K_XL (20.9 ГБ).
По ссылке ниже — официальный репозиторий Unsloth на Hugging Face, с моделями с динамическими квантами GGUF - Dynamic 3.
Qwen3.8-27B-GGUF (Dynamic 3) на Hugging Face
Мои ресурсы:
🔹 stabledif.ru/comfyui
🔹 boosty.to/stabledif
🔹 stabledif.ru/stream
🔹 max.ru/stable_dif
🔹 vk.ru/stabledif
❤2
OpenClaw представили релиз 2.0 (версия v2026.8.1). Как сообщает Ханнес Рудольф, это крупнейшее обновление в истории платформы, над которым работали 933 контрибьютора. В релиз вошло свыше 16 000 пулреквестов, что составляет около половины всех изменений за всё время существования проекта.
Совместная работа и облачные сессии: OpenClaw получил поддержку совместных сессий. Теперь задачи можно переносить между локальным шлюзом Gateway, сопряжёнными устройствами и облачными воркерами с полным сохранением контекста и рабочего окружения.
Переработанный браузерный интерфейс и быстрый запуск: Интерфейс веб-приложения полностью перестроен. Процесс первичной настройки теперь автоматически распознаёт существующие локальные конфигурации, ключи API, локальные модели и подписки ChatGPT или Claude. Пользователь может завершить настройку агента непосредственно в диалоге с ним.
Автономность и фоновые процессы: Добавлен инструмент
Fleet для управления изолированными ячейками OpenClaw через Docker или Podman. В режиме экспериментов доступен модуль Swarm, позволяющий параллельно запускать субагентов для распределённых задач и агрегировать их результаты.Управление локальным инференсом: Реализована встроенная поддержка
llama.cpp для локального запуска языковых моделей и эмбеддингов, а также подключение к внешним серверам llama-server.Защита учётных данных и токенов: Реализован механизм маскированных запросов учётных данных. Агент может запросить секрет, но само значение не попадает в открытый чат или контекст ИИ-модели. Исходящий трафик защищается прокси-фильтрацией только по утверждённым адресам.
Хранилище секретов: Управление общими переменными окружения и паролями команды переведено на SQLite с разделением прав доступа и неизвлекаемым режимом записи.
Интеграция с 1Password: Добавлена поддержка брокера 1Password для безопасного чтения секретов по ссылке
SecretRef через сервисные аккаунты с аудитом каждого обращения.Контроль источников плагинов: Введена строгая проверка происхождения расширений. Непроверенные исполняемые файлы требуют явного флага
--force при установке, а в каталоге ClawHub отображаются результаты предварительного аудита безопасности.Приватность диалогов: Появился режим инкогнито-тредов, при котором журнал переписки хранится исключительно в оперативной памяти Gateway до перезапуска сервиса.
Долговременная консолидация памяти (Grounded Dreaming): По умолчанию включён фоновый механизм структурирования памяти, который переносит подтверждённые факты в долговременную базу знаний с фиксацией источников в Dream Diary.
Мастерская навыков (Skill Workshop): Агенты могут в фоновом режиме анализировать успешные цепочки действий, автоматически формировать новые навыки и отправлять их на валидацию сканером безопасности.
и многое другое...
👆Изначально команда проекта ставила задачу упростить установку и сделать удобный браузерный интерфейс. Однако качественная реализация потребовала переработки остальных компонентов OpenClaw, включая обмен сообщениями, память, навыки и автоматизации, что в итоге привело к выпуску полноценной версии. При первой установке OpenClaw автоматически подтягивает уже имеющиеся ресурсы на компьютере, такие как активные подписки ChatGPT или Claude, ключи API и локальные ИИ-модели. Пользователь сразу начинает диалог в браузере и завершает настройку агента через общение с ним.
Проект предлагает уйти от навязанных закрытых сервисов к открытому программному обеспечению, которое пользователь может полностью адаптировать под свои задачи. Подчёркивается, что OpenClaw остаётся проектом с открытым исходным кодом, не продаёт подписки и не привязывает пользователей к одной компании или конкретному поставщику ИИ-моделей.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
CyberTriage_3_18_2_Entreprise_Client_Server_Cracked_Pwn3rzs_20260825.7z
513 MB
This is Cracked CyberTriage 3.18.2 Enterprise Client-Server
Password :
Notes : Install, use provided licenses for what they are made for
Official docs : https://docs.cybertriage.com/en/v3.18.0/index.html
Password :
20260825_0259
Notes : Install, use provided licenses for what they are made for
Official docs : https://docs.cybertriage.com/en/v3.18.0/index.html
❤4🔥4
STUN IP Tracker — простая программа на Python, демонстрирующая, как одноранговые (P2P) соединения , WebRTC и протокол STUN могут раскрывать IP-адреса. Концепция применима к любому коммуникационному приложению, которое использует STUN для обхода NAT (например, звонки на основе WebRTC).
https://github.com/Gill-Singh-A/STUN-IP-Tracker
Наилучшие результаты достигаются на Linux (протестировано с использованием Wi-Fi-интерфейсов в режиме монитора). При желании, захваченные IP-адреса могут быть геолоцированы и отображены на карте.
📱 Telegram | 🌐 ВК | 📲 MAX
📲 RUTUBE | 🌍 VK Видео
https://github.com/Gill-Singh-A/STUN-IP-Tracker
Наилучшие результаты достигаются на Linux (протестировано с использованием Wi-Fi-интерфейсов в режиме монитора). При желании, захваченные IP-адреса могут быть геолоцированы и отображены на карте.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
HackBrowserData — инструмент командной строки для расшифровки и экспорта данных браузера (пароли, история, cookie, закладки, данные кредитных карт, история загрузок, localStorage, sessionStorage и расширения). Он поддерживает самые популярные браузеры на основе Chromium и Firefox в Windows, macOS и Linux, а также Safari в macOS.
https://hackbrowserdata.org/
https://github.com/moonD4rk/HackBrowserData
Он также позволяет расшифровывать данные на разных машинах и операционных системах : экспортировать главные ключи на исходном хосте, а затем расшифровать копию данных в автономном режиме на любом другом хосте — даже для браузера, который не может запустить ОС на хосте аналитика.
📱 Telegram | 🌐 ВК | 📲 MAX
📲 RUTUBE | 🌍 VK Видео
https://hackbrowserdata.org/
https://github.com/moonD4rk/HackBrowserData
Он также позволяет расшифровывать данные на разных машинах и операционных системах : экспортировать главные ключи на исходном хосте, а затем расшифровать копию данных в автономном режиме на любом другом хосте — даже для браузера, который не может запустить ОС на хосте аналитика.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2
LinkChart — инструмент для построения карт связей в расследованиях. Позволяет создать единое полотно, где люди, транспорт, адреса, телефоны, компании и события представлены в виде структурированных карточек, а связи между ними — в виде подписанных линий.
https://linkchart.art/
📱 Telegram | 🌐 ВК | 📲 MAX
📲 RUTUBE | 🌍 VK Видео
https://linkchart.art/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
ChronoVerify — инструмент для проверки происхождения и верификации фотографий, который анализирует метаданные EXIF/XMP, проверяет учетные данные контента C2PA и выполняет криминалистический анализ пикселей для определения времени захвата изображения и его целостности.
https://chronoverify.com/
📱 Telegram | 🌐 ВК | 📲 MAX
📲 RUTUBE | 🌍 VK Видео
https://chronoverify.com/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
LoKi — имплант на основе LoRa/Meshtastic для тестирования на проникновение. Вы можете отправлять команды устройству LoKi, используя радиосигналы дальнего действия (LoRa), и оно будет выполнять любые запрошенные действия, создавая бэкдоры или настраивая обратную оболочку с контроллером управления и контроля.
https://github.com/venkyr/loki
По сути, это HID-устройство BadUSB, которое выглядит как компьютерная мышь и работает точно так же. Модуль LoRa получает сообщение и преобразует его в нажатия клавиш USB HID, как у RubberDucky. Затем эти нажатия клавиш поступают в USB-концентратор.
📱 Telegram | 🌐 ВК | 📲 MAX
📲 RUTUBE | 🌍 VK Видео
https://github.com/venkyr/loki
По сути, это HID-устройство BadUSB, которое выглядит как компьютерная мышь и работает точно так же. Модуль LoRa получает сообщение и преобразует его в нажатия клавиш USB HID, как у RubberDucky. Затем эти нажатия клавиш поступают в USB-концентратор.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Dragon Vector Honeypot — это многоязычная ловушка (ханипот), которая заманивает злоумышленников, классифицирует каждый зонд в момент его приземления, оценивает угрозу и изолирует враждебные источники — всё в режиме реального времени.
https://github.com/kiurakku/DracoLure
📱 Telegram | 🌐 ВК | 📲 MAX
📲 RUTUBE | 🌍 VK Видео
https://github.com/kiurakku/DracoLure
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1