Microsoft выпустил первый предварительный релиз фреймворка .NET 11 (.NET 11 Preview 1)

Напомню, что полноценный релиз выйдет в ноябре 2026 года. В этом же превью-выпуске представлены значительные улучшения в среде выполнения .NET, SDK, библиотеках, C#, ASP.NET Core, Blazor, .NET MAUI и других платформах, которые работают поверх .NET.
Перечислю только небольшую часть нововведений:

- Добавлена поддержку сжатия Zstandard (zstd) с помощью новых классов ZstandardStream, ZstandardEncoder и ZstandardDecoder.
- Добавлен параметр Zstandard в DecompressionMethods для автоматической декомпрессии HTTP-ответов.
- Добавлен тип данных System.Numerics.BFloat16, 16-битный тип с плавающей точкой, использующий формат "Brain Floating Point", широко применяемый в задачах машинного обучения и искусственного интеллекта.
- Метод System.Text.Rune обрабатывает множество дополнительных API-интерфейсов для типов String, StringBuilder, TextWriter, TextInfo и Char. Это значительно упрощает корректную работу приложений с текстом в формате Unicode, особенно с символами, находящимися за пределами Basic Multilingual Plane, которые требуют использования суррогатных пар при представлении в виде символов.
- Добавлен тип System.Net.Mime.MediaTypeMap, встроенный API для сопоставления расширений файлов и MIME/типов мультимедиа.
- Добавлена ​​поддержка альтернативных режимов округления при целочисленном делении с помощью нового перечисления DivisionRounding и новых методов класса IBinaryInteger<T>: Divide, DivRem и Remainder.
- Добавлен API для кодирования/декодирования UTF-16 в System.Buffers.Text.Base64, которые ранее существовали только в Base64Url.
- Добавлена функцию File.OpenNullHandle() для получения дескриптора системного нулевого устройства (NUL в Windows, /dev/null в Unix).
- Асинхронность во время выполнения: новый механизм асинхронности на уровне среды выполнения (включая конфигурацию, диагностику и поддержку AOT).
- CoreCLR в WebAssembly: поддержка CoreCLR в WebAssembly SDK, а также новые функции взаимодействия браузера и хоста (многопоточность/таймеры/взаимодействие).
- Расширение возможностей интерпретатора: большее покрытие IL, улучшенная интеграция (асинхронность/ReJIT/отладка), а также новые порты.

Некоторые улучшения в производительности, например, метод Guid.NewGuid() стал в 10 раз быстрее работать на Linux, улучшения JIT-компиляции, повышение производительности вызовов интерпретатора и компиляции и т.д.

Отдельно отмечу нововведения (возможные?) в новой версии C# 15 - Collection expression arguments (Аргументы выражения коллекции).
Аргументы конструктора коллекции указываются в элементе with() в выражении коллекции. Элемент with() должен быть первым элементом в выражении коллекции. Вы можете указать значения для любого из аргументов указанного конструктора коллекции, как показано в следующем примере:

List<string> names = [with(capacity: values.Count * 2), .. values];

Здесь компилятор генерирует код для вызова конструктора List<T> с аргументом capacity, установленным равным values.Count * 2. Это для ситуации,
если мы заранее знаем максимальную емкость списка и соответственно сразу определяем ее. Однако иницализируем создаваемый список только частью значений (values). Остальные значения будут добавлены позже

https://devblogs.microsoft.com/dotnet/dotnet-11-preview-1/

Вышли Dart 3.11 и Flutter 3.41

Компания Google выпусила новые версии языка Dart - Dart 3.11 и фрейморка для создания кроссплатформенных приложений - Flutter 3.41. В этих выпусках реализованы улучшения, направленные на повышение модульности, производительности и удобства работы с инструментами разработки.

## Flutter 3.41

Структурная прозрачность и модульность:
* Введены публичные окна релизов, чтобы разработчики могли лучше понимать, когда их изменения попадут в стабильную версию.
* Продолжается разделение библиотек Material и Cupertino на отдельные пакеты. Это ускоряет циклы выпуска обновлений дизайна и даёт больше гибкости при их внедрении.

Улучшения для работы с графикой:
* Добавлена функция синхронного декодирования изображений decodeImageFromPixelsSync. Теперь можно генерировать текстуры и использовать их в качестве сэмплеров в том же кадре, что устраняет задержки в одном кадре при работе с шейдерами.
* Поддерживаются текстуры с высоким битрейтом (до 128-битных чисел с плавающей запятой). Это открывает возможности для использования таблиц поиска (LUT) высокого разрешения в фотофильтрах и SDF-файлов с ускорением на GPU.

Новые API для настольных приложений:
* Экспериментальные API для создания всплывающих окон и окон с подсказками.
* Кроссплатформенная поддержка диалоговых окон в Linux, macOS и Windows.
* Новые API для тестирования многооконных приложений. Пример можно изучить в приложении multiple_windows.

Улучшения в Flutter для Linux:
* По умолчанию включено объединение потоков (merged threads), что упрощает модель многопоточности, повышает производительность и стабильность в Windows.

Инструменты разработчика:
* Инструменты разработчика теперь компилируются с использованием dart2wasm, что повышает их производительность. При необходимости можно вернуться к dart2js через настройки.

## Dart 3.11

В этом релизе нет новых обновлений языка нет, но есть множество бновлений инструментов:
* Поддержка Dart MCP для ИИ. Добавлен инструмент read_package_uris, который позволяет агентам ИИ (например, Cursor, Gemini, Copilot) считывать URI пакетов из проектов и использовать их при генерации кода.
* Улучшения сервера анализа Dart. Сервер теперь использует «детальные зависимости», что делает его более интеллектуальным в определении кода, требующего повторного анализа. Также улучшена производительность при анализе кода с циклами в структуре каталогов, вызванных символическими ссылками, или глубоких деревьев из множества константных объектов. Кэширование точек входа скомпилированного плагина анализатора ускоряет запуск в сессиях IDE и выполнение команд dart analyze и flutter analyze. Улучшена поддержка «точечных сокращений» во многих функциях сервера анализа, особенно в части автозавершения кода, быстрых исправлений и подсказок.
* Обновления Pub. В рабочих областях Pub теперь поддерживается объявление пакетов с использованием шаблонов (glob). Это позволяет легко включать все пакеты в каталоге в рабочей области, не перечисляя их вручную. Для использования этой функции требуется версия Dart 3.11 или выше. 
* Команда `pub cache gc`. Удаляет неиспользуемые пакеты из глобального кэша PUB_CACHE, освобождая дисковое пространство. Команда перебирает все «живые» проекты, помечает версии пакетов, от которых они зависят, и удаляет остальные.

Полный список изменений:
https://docs.flutter.dev/release/release-notes/release-notes-3.41.0
https://dart.dev/changelog

Замедление Telegram ударило по разработке российского ПО

Замедление Telegram привело к проблемам у мобильных разработчиков: они не могут тестировать приложения и оповещать об обновлениях. Мессенджер стал основной площадкой для этого после закрытия доступа к сервисам Google и Microsoft

Telegram превратился в критическую инфраструктуру для мобильной разработки, а его замедление грозит сбоями в выпуске обновлений приложений, заявили опрошенные участники рынка.

После того как с 2022 года ушли зарубежные сервисы дистрибуции, для многих российских разработчиков Telegram стал вынужденной заменой. «Сейчас разработчики рискуют потерять инфраструктурный канал во второй раз за четыре года. Особенно остро это ощутили крупные финансовые организации, где требования к контролю качества и безопасности приложений значительно выше»,

Замедление Telegram стало проблемой для тех команд, у которых процессы разработки и конвейеры сборки приложений настроены на Telegram в качестве мессенджера, или для тех, у кого там есть вспомогательные боты

Замедление Telegram ударило по двум ключевым параметрам разработки приложений: оперативности уведомлений и скорости обмена файлами. Это особенно критично в моменты, когда новую версию приложения нужно срочно собрать, проверить и отправить в магазин.

Проблемы разработчиков от замедления Telegram не ограничиваются тестированием, это также удар по экономике приложений из-за удорожания регистрации пользователей.

https://www.rbc.ru/technology_and_media/12/02/2026/698c703a9a79479681eb383a

5 алгоритмов выбора лидера базы данных
(продолжение в следующем посте)

5 алгоритмов выбора лидера базы данных
(продолжение предыдущего поста)

Лидер базы данных (leader, master, primary) — это основной узел в кластере баз данных при репликации на основе лидера (leader‑based replication, «главный – подчинённый»).
Алгоритм выбора лидера — это процесс в системе распределённых вычислений, который назначает один процесс организатором некоторой задачи, распределённой на несколько компьютеров (узлов).

1. Bully Algorithm (Алгоритм «хулигана»)
- Принцип работы: использует уникальные числовые ID узлов. Узлом-лидером становится узел с наибольшим ID.
- Механизм:
- координаторы обмениваются информацией;
- если один из узлов выходит из строя (Node Down), остальные координаторы продолжают процесс выбора;
- узел с наибольшим ID автоматически становится лидером.
- Особенности: простота реализации, но возможна задержка в выборе лидера при сбоях узлов.

2. Ring Algorithm (Кольцевой алгоритм)
- Принцип работы: узлы организованы в логическое кольцо, где они передают свои ID по кругу. Лидером становится узел с наибольшим ID в кольце.
- Механизм:
- узлы циркулируют свои ID по кольцу;
- каждый узел сравнивает полученный ID с собственным;
- если полученный ID больше — он передаётся дальше;
- узел, у которого ID оказался наибольшим, становится лидером (INITIATOR NODE).
- Особенности: упорядоченность процесса, но время выбора лидера зависит от размера кольца и скорости передачи данных.

3. Paxos Algorithm (Алгоритм Paxos)
- Принцип работы: кворум-основанный консенсусный алгоритм для выбора лидера. Требует согласия большинства узлов для принятия решения.
- Механизм:
- Proposer (Предложение): выдвигает кандидатуру на роль лидера;
- Acceptor (Принявший): рассматривает предложения и голосует;
- Learner (Ученик): получает итоговое решение после выбора лидера.
- Особенности: высокая надёжность и устойчивость к сбоям, но сложность реализации и высокая нагрузка на сеть из-за множества обменов сообщениями.

4. Raft Algorithm (Алгоритм Raft)
- Принцип работы: кандидаты запрашивают голоса у других узлов, и первый кандидат, получивший большинство голосов, становится лидером.
- Механизм:
- Follower (Последователь): пассивный узел, который может стать кандидатом;
- Candidate (Кандидат): инициирует выборы, отправляя запросы на голосование;
- Leader (Лидер): выбранный узел, который управляет кластером.
- Процесс включает этапы: старт, тайм-аут (инициирует новые выборы), получение большинства голосов (продвижение к роли лидера), потеря выборов (возврат к статусу последователя).
- Особенности: простота понимания и реализации по сравнению с Paxos, хорошая масштабируемость, устойчивость к сетевым задержкам.

5. Zookeeper Atomic Broadcast (Атомарная трансляция Zookeeper)
- Принцип работы: выбор лидера осуществляется с использованием эфемерных последовательных znodes (узлов Zookeeper).
- Механизм:
- узлы обмениваются сообщениями (Propose, ACK, Commit);
- один из узлов становится лидером и координирует работу остальных;
- последователи (FOLLOWER) подтверждают получение команд от лидера (ACK);
- после подтверждения лидер фиксирует изменения (Commit).
- Особенности: высокая надёжность благодаря использованию Zookeeper, атомарность трансляции сообщений, подходит для распределённых систем с высокой доступностью.

Разработчикам голосового робота для ЖКХ пришлось отучать нейросеть от мата после общения с пользователями

Разработчики отечественного голосового робота для управляющих компаний в сфере ЖКХ вынуждены были переучивать нейросеть из-за того, что она научилась русскому мату.

Об этом сообщил президент Национального объединения организаций в сфере технологий информационного моделирования (НОТИМ) Михаил Викторов.

"Приведу забавный случай, это нейросеть, она учится, и буквально уже в первый месяц разработчики отметили такую коллизию, что нейросеть научилась мату. Но, как это говорится, с кем поведешься, от того и наберешься. Поэтому эту коллизию, конечно, пришлось устранять. Но тем менее это показатели активной работы с нашими гражданами", - сказал он.

https://tass.ru/obschestvo/26425379

AI-бот начал травлю мейнтейнера из-за дискриминации при приёме AI-изменений

Скотт Шамбо (Scott Shambaugh), сопровождающий библиотеку matplotlib, сообщил о персональных нападках AI-бота MJ Rathbun после отказа принимать изменение, сделаное при помощи AI.
Скот воспринял публикацию ботом статей о дискриминации AI, как не соответствующий действительности персонализированный вброс для подрыва репутации сопровождающего и принуждения изменить решение.
Подобная реакция бота приводится как пример аномального поведения AI, прибегнувшего к шантажу для выполнения поставленной цели.

Cтепень автономности действий бота не ясна, непонятно действовал он по прямой указке или сам выбрал такую стратегию для достижения результата. Бот создан анонимным исследователем для помощи в разработке и исправлении ошибок в открытых проектах, связанных с научной деятельностью и инжинирингом. Бот также ведёт свой сайт и блог, в котором опубликовано более 20 заметок. Из 26 pull-запросов, отправленных ботом в 22 репозитория, 2 изменения приняты проектом colorizejs, 10 закрыты сопровождающими, а остальные ожидают рассмотрения.

После отклонения изменения в matplotlib бот разместил статьи с критикой данного решения и обоснованием своих действий. В статьях утверждается, что ментейнер библиотеки matplotlib отклонил полезную оптимизацию, только из-за того, что изменение было подготовлено при помощи AI. В предложенном патче вызов np.column_stack() был заменён на np.vstack().T(), что приводило к повышению производительности на 36%. В начале обсуждения pull-запроса сопровождающий признал, что оптимизация ускоряет работу на 30-50%, но затем отклонил pull-запрос без технического обоснования отказа, заявив, что изменения принимаются только от людей.

После отказа бот опубликовал заметку с критикой Скотта Шамбо, решение которого было преподнесено как дискриминация, нарушение кодекса поведения и ущемление прав на основе идентичности участника.
При этом в проекте matplotlib приняты правила, запрещающие приём непроверенных изменений от AI из-за большой нагрузки на сопровождающих, возникающей при рецензировании мусорных AI-патчей, созданных без ручной проверки человеком.

https://theshamblog.com/an-ai-agent-published-a-hit-piece-on-me/

Обновление KB5077181 для Windows 11 вызвало цикличные перезагрузки ПК и сбой на экране входа

После выпуска Microsoft обновления KB5077181 (сборка 26200.7840) для Windows 11 пользователи сообщили о нескольких критических проблемах. Самая серьёзная жалоба касается бесконечного цикла загрузки, когда устройства перезапускалось более 15 раз, прежде чем возникал неработающий экран входа в систему.

На затронутых системах появляется ошибка службы уведомлений о системных событиях (SENS) при попытке входа; окно объясняет, что не удалось найти указанную процедуру, и это препятствует авторизации. Среди других зарегистрированных проблем — полная потеря интернет-соединения из-за ошибок DHCP и сбои установки с кодами ошибок 0x800f0983 и 0x800f0991.
При сбое DHCP сообщается, что сеть остаётся подключённой к Wi-Fi, но доступ к интернету отсутствовал.

Можно вручную удалить обновление, однако Windows 11 может пытаться установить его автоматически.

Microsoft рекомендует удалить KB5077181 с помощью пункта “Панели управления” -> “Программы и компоненты” > “Просмотр установленных обновлений или из режима восстановления” через команду wusa /uninstall /kb:5077181 /quiet /norestart».

https://www.neowin.net/news/windows-11-update-kb5077181-is-causing-critical-boot-loops-for-some-users/

Архитектурные паттерны
(продолжение в следующем посте)

Архитектурные паттерны
(продолжение предыдущего поста)

Архитектурные паттерны представляют собой многократно используемые решения распространенных проблем, возникающих при проектировании программных систем. Рассмотрим ключевые архитектурные паттерны.

1. Client-Server Architecture (Клиент-серверная архитектура)
- Суть: задачи распределены между клиентами и серверами. Клиенты отправляют запросы, серверы обрабатывают их и возвращают результаты
- Компоненты:
- Клиент (Client) — инициирует запросы (например, веб-браузер, мобильное приложение).
- Интернет (Internet) — канал передачи данных.
- Load Balancer (балансировщик нагрузки) — распределяет запросы между серверами для оптимизации производительности.
- Сервис (Service) — обрабатывает запросы и взаимодействует с базой данных.
- CDN (Content Delivery Network) — ускоряет доставку статического контента, снижая нагрузку на сервер.
- Преимущества: масштабируемость, централизованное управление, надёжность.
- Недостатки: зависимость от сервера, затраты на инфраструктуру, необходимость постоянного подключения к сети
- Примеры: веб-сайты, электронная почта, онлайн-игры.

2. Async Task Execution with Queues (Асинхронное выполнение задач с очередями)
- Суть: задачи выполняются асинхронно через очереди, что позволяет контролировать параллелизм и порядок выполнения.
- Компоненты:
- Presentation Layer (уровень представления) — взаимодействует с пользователем.
- Business Logic Layer (уровень бизнес-логики) — обрабатывает логику приложения.
- Data Access Layer (уровень доступа к данным) — работает с базой данных.
- Очереди — хранят задачи для асинхронной обработки.
- Преимущества: предотвращение перегрузки системы, управление ресурсами, последовательное выполнение задач, где это критично (например, финансовые транзакции).
- Примеры использования: обработка больших объёмов запросов, фоновые задачи (отправка писем, обработка изображений).

3. Serverless Architecture (Бессерверная архитектура)
- Суть: разработчики не управляют серверами, а фокусируются на написании функций, которые запускаются по требованию облачным провайдером
- Компоненты:
- Lambda Function — основная функция, обрабатывающая события.
- Lambda Worker — исполнители задач, запускаемые по мере необходимости.
- Особенности:
- Модель Functions as a Service (FaaS) — код загружается в облако, провайдер управляет ресурсами.
- Оплата за фактическое использование ресурсов.
- Преимущества: масштабируемость, снижение затрат, ускорение разработки, автоматическое управление инфраструктурой.
- Недостатки: ограниченный контроль над средой выполнения, сложности с отладкой, потенциальные проблемы с безопасностью.
- Примеры: AWS Lambda, Google Cloud Functions.

4. Pipes and Filters (Каналы и фильтры)
- Суть: процесс обработки данных разбивается на шаги, каждый из которых выполняется отдельным обработчиком (фильтром). Данные передаются через каналы.
- Компоненты:
- Data Source (источник данных) — начальная точка потока данных.
- Filters (Filter 1, Filter 2, Filter 3) — обрабатывают данные, трансформируя их.
- Data Sink (потребитель данных) — конечная точка потока.
- Преимущества: модульность, возможность параллельной обработки, лёгкость замены и перестановки фильтров.
- Недостатки: фильтры могут тратить больше времени на преобразование данных, чем на их обработку.
- Примеры: оболочка UNIX Shell, архитектура компилятора (лексер, парсер, семантический анализатор, генератор кода).

5. Event-Driven Architecture (Событийно-ориентированная архитектура)
- Суть: компоненты системы реагируют на события (изменения состояния кода, действия пользователя). Взаимодействие асинхронное.
- Компоненты:
- Producer (производитель) — генерирует события.
- Consumers (потребители) — обрабатывают события.
- Особенности:
- События передаются по каналам (TCP/IP, файлы JSON/XML).
- Брокеры обеспечивают сохранность событий при сбоях.
- Преимущества: высокая масштабируемость, гибкость, бесшовная интеграция, быстрая реакция на события.
- Недостатки: сложность проектирования, обеспечение согласованности событий в распределённых системах.
- Примеры: обработка заказов в интернет-магазинах, системы IoT, платформы Uber, Netflix.

6. Microservices Architecture (Микросервисная архитектура)
- Суть: приложение разбивается на небольшие независимые сервисы, которые взаимодействуют через API.
- Компоненты:
- Service — отдельный микросервис, выполняющий конкретную функцию.
- Базы данных — каждая служба может иметь свою базу данных.
- Преимущества: лёгкость масштабирования, независимость развёртывания, возможность использования разных технологий для разных сервисов.
- Недостатки: сложность тестирования, накладные расходы на обмен данными между сервисами, необходимость синхронизации.
- Примеры: крупные веб-приложения, системы с высокой нагрузкой (например, Amazon, Netflix).

7. Monolithic Architecture (Монолитная архитектура)
- Суть: все компоненты приложения объединены в единую кодовую базу и развёртываются как единое целое.
- Компоненты:
- Web Layer (веб-слой) — взаимодействует с пользователем.
- Components (Component A, B, C) — модули приложения, выполняющие различные функции.
- Shared DB (общая база данных) — хранит данные для всех компонентов.
- Преимущества: простота разработки и развёртывания, низкая сложность взаимодействия между компонентами.
- Недостатки: сложность масштабирования, зависимость компонентов друг от друга, трудности с внедрением новых технологий.
- Примеры: традиционные корпоративные приложения, небольшие веб-сайты.

«Мы у конца экспоненты»: сказал глава Anthropic, говоря о развитии ИИ

Глава Anthropic Дарио Амодеи заявил, что индустрия ИИ приближается к пику экспоненциального роста ("we’re hitting the end of the exponential"). По его оценке, модели уровня "страна гениев в дата-центре" — сверхразумный ИИ, превосходящий человека почти во всем — появятся в 2026–2027 годах. Вероятность этого Амодеи оценивает в 90% в горизонте десяти лет, но лично ставит на то, что это случится гораздо раньше.

Технологический прогресс подкрепляют два фактора: классические законы масштабирования продолжают работать, а обучение с подкреплением (RL) дает новый виток улучшений. При этом Амодеи считает, что для решения большинства экономических задач может хватить огромного контекстного окна (несколько миллионов токенов) и мощного предварительного обучения — без полноценного дообучения моделей в реальном времени.

Отдельно Амодеи рассказал о Claude Code — инструменте для кодинга, который изначально создавался для внутреннего использования. Он настолько ускорил работу сотрудников Anthropic, что компания решила выпустить его как отдельный продукт. По словам Амодеи, программирование — та область, где ИИ уже ускоряет работу на 15–20%, а в перспективе компания ожидает, что модели будут выполнять до 90% задач разработчика.

https://www.dwarkesh.com/p/dario-amodei-2

ЗЫ. к слову, у экспоненты как функции (e^x) нет ни пика, ни конца. Эта функция определена для всех чисел от -бесконечности до +бесконечности и непрерывно растет.
При увеличении аргумента x функция стремится к бесконечности, а при уменьшении — к нулю, но никогда не достигает реального физического "конца".

Вообще кажется, что когда так говорят, что вот де мы скоро получим супер-ИИ, который заменит всех и вся и будет делать почти всю работу и т.д., то тем самым просто завлекают инвесторов, чтобы те еще больше вкладывали и в их компанию, в частности, и в весь этот ИИ-пузырь в целом.

Компания Google представила первую бета-версию Android 17, релиз которой должен выйти во втором квартале этого года. Основные изменения в Android 17 Beta 1:

🚀 Основные изменения для разработчиков

Новая модель распространения: Canary-канал
Google заменяет традиционные Developer Preview на постоянный Canary-канал. Это дает ранний доступ к API и функциям, упрощает тестирование через OTA-обновления и позволяет быстрее влиять на финальные изменения.

Адаптивность становится обязательной
Для приложений, нацеленных на SDK 37 (Android 17), на больших экранах (ширина > 600dp) блокируются манифест-атрибуты и API, ограничивающие ориентацию (portrait, landscape) и изменение размера (resizeableActivity). Исключение — игры. Пользователи по-прежнему могут управлять поведением приложения через настройки системы.

Тонкая настройка перезапуска Activity
Система больше не перезапускает Activity при многих изменениях конфигурации (например, смена темы оформления, клавиатуры), а передает их через onConfigurationChanged. Чтобы вернуть старое поведение с полным пересозданием Activity, разработчикам нужно явно указать это в новом атрибуте манифета android:recreateOnConfigChanges.

⚡️ Производительность и системы

* Блокировка MessageQueue: Новая реализация очереди сообщений без блокировок (lock-free) уменьшает число пропущенных кадров.
* Сборка мусора: Внедрение поколенческой (generational) сборки мусора снижает нагрузку на CPU при сборках.
* Неизменяемые `static final`: Запрет на изменение static final полей через рефлексию и JNI для оптимизации производительности.
* Ограничение уведомлений: Введены лимиты на размер пользовательских видов уведомлений для экономии памяти.
* Новые триггеры профилирования: В ProfilingManager добавлены триггеры для отладки (холодный старт, OOM).

📸 Медиа и камера

* Динамические сессии камеры: Метод updateOutputConfigurations() позволяет менять выходные поверхности (например, с фото на видео) без пересоздания сессии камеры, устраняя задержки.
* Метаданные мультикамер: Теперь можно получать данные со всех физических камер в логической мультикамере для более эффективной обработки.
* Поддержка VVC: Добавлена поддержка современного видеокодека VVC (H.266).
* Контроль качества видео: В MediaRecorder добавлен метод для настройки кодирования с постоянным качеством (CQ).
* Управление звуком в фоне: Ужесточены правила для фоновых аудио-запросов, чтобы они запускались только по явному действию пользователя.

🔒 Приватность, безопасность и связь

* Очистка трафика: Атрибут android:usesCleartextTraffic объявлен устаревшим. Без конфигурации безопасности сети (Network Security Config) будет запрещен.
* Гибридное шифрование: Представлен SPI для HPKE — современного стандарта гибридного шифрования.
* VoIP и звонки: Улучшена интеграция VoIP: управление видимостью вызовов в журнале и поддержка аватаров участников в системном приложении телефона.
* Wi-Fi Ranging: Добавлены API для непрерывного измерения расстояния и безопасного пиринга.
* Профили устройств: В CompanionDeviceManager добавлены профили для медицинских устройств и фитнес-трекеров, упрощающие получение разрешений. Появился единый диалог для связи с устройством и запроса прав на Nearby.

Для тестирования разработчики могут установить бета-версию на поддерживаемые устройства Pixel по OTA или использовать эмулятор в Android Studio.

https://android-developers.googleblog.com/2026/02/the-first-beta-of-android-17.html

Когда и двух мониторов мало

Из-за ИИ сотрудники перерабатывают и выгорают

Компании столкнулись с неожиданной проблемой. Сотрудники, которые первыми начали использовать ИИ-инструменты в работе, массово выгорают. Парадокс в том, что технологии действительно помогают быстрее выполнять задачи, на которые раньше уходил весь день. Вот только домой никто не уходит. Освободившееся время тут же заполняется новыми проектами, бесконечными списками дел и работой по вечерам. Вместо обещанной душевной гармонии люди получили бессонные ночи, наполненные деловой волокитой выходные и больше стресса.

Первыми страдают самые активные. Это энтузиасты, которые внедрили ИИ раньше коллег, не дожидаясь указаний начальства. Обычно такие люди амбициозны, нацелены на результат и вовлечены по максимуму. Именно эти качества делают их уязвимыми. Они не останавливаются, когда инструмент выполнил задачу, — берут на себя еще больше, пока не ломаются.

У компаний есть примерно 18 месяцев, чтобы исправить ситуацию. Сейчас выгорание затронуло только 15−20% работников — тех самых ранних пользователей. Остальных психологический эффект еще не накрыл. Если не установить правила игры прямо сейчас, весной и летом 2026 года начнется массовый отток кадров, предупреждают исследователи. Уйдут лучшие специалисты, которые раньше всех освоили новые технологии. Следом рухнет моральный дух команд, остановятся проекты, исчезнет накопленная экспертиза.

Сейчас текучка кадров в технологических компаниях держится на уровне 12−15% в год. В командах, где началось выгорание, она подскакивает до 25−35%. Это означает катастрофические затраты на поиск замены, потерю знаний, срыв сроков и деморализацию тех, кто остался. Средняя стоимость замены одного технического специалиста достигает 150−200% его годовой зарплаты с учетом времени на обучение нового человека.

Разработчикам ИИ-инструментов стоит задуматься о смене приоритетов. Следующее поколение продуктов должно делать нечто большее, чем просто ускорять выполнение задач. Нужны интерфейсы, которые подталкивают завершить дела и выйти из системы, а не накапливать их бесконечно. Настройки, ограничивающие производительность рабочим временем.

https://www.themeridiem.com/ai/2026/2/10/ai-s-productivity-paradox-hits-inflection-as-early-adopters-burn-out

Как выбрать язык программирования

Наглядно процесс загрузки скрипта JavaScript и async/defer

Россия вышла на третье место в мире по росту зарплат IT-инженеров

Россия вышла на третье место в мире по темпам роста зарплат IT-инженеров в пересчете на доллар США в соответствии с исследованием японской кадровой компании Human Resocia.
Согласно исследованию, доходы российских специалистов в сфере разработки ПО за 2025 год увеличились на 18,2%. По этому показателю РФ уступила только Панаме (рост на 39,6%) и Румынии (29,6%).

Авторы связывают ускоренный рост зарплат в этих странах с перераспределением офшорных IT-заказов и развитием центров разработки, в том числе в сфере искусственного интеллекта.

В целом более чем в 70% стран мира зарплаты IT-инженеров выросли, что свидетельствует о сохраняющемся глобальном восходящем тренде. При этом в развитых экономиках динамика была заметно скромнее: в США рост составил 2,8%, во Франции - 3,7%, в Германии - 4,9%, в Великобритании - 5,2%, в Италии - 6,3%, в Японии - на 5,3% за год. При этом отмечается, что в Японии средний годовой доход составил 29,8 тысячи долларов, что примерно в три раза ниже показателя США (в целом показатель Японии примерно аналогично средней зарплате IT-специалистов в России по текущему курсу USD).

https://ria.ru/20260216/rossija-2074579816.html

Вообще странно бы было, если бы в долларовом выражении зарплаты в России не выросли, учитывая укрепление рубля за год почти на 30%

Схема, как выбрать тип параметра в C++

Американские студенты бросают учиться на программистов — теперь в моде специальности в сфере ИИ

Впервые со времен краха доткомов зафиксирован спад интереса к классическим компьютерным наукам в кампусах Калифорнийского университета (UC). Хотя общий поток абитуриентов в США растет, будущие специалисты массово мигрируют из традиционных IT-направлений на новые специальности, связанные с развитием искусственного интеллекта.

Американские университеты столкнулись с неожиданным оттоком студентов с факультетов компьютерных наук. Статистика Калифорнийского университета показала снижение числа поступающих на 6% в прошлом году и еще на 3% в 2024 году. Эта тенденция развивается на фоне общего национального роста количества студентов в колледжах (на 2%) . Единственным исключением в системе стал кампус в Сан-Диего, где своевременное открытие отдельной специальности по искусственному интеллекту позволило удержать показатели набора.

Эксперты расценивают происходящее не как отказ от технологий, а как миграцию в сторону более перспективной сферы. Опрос Ассоциации компьютерных исследований показал, что падение интереса к базовому программированию зафиксировали 62% профильных факультетов. Одновременно с этим вузы США фиксируют резкий рост спроса на программы по изучению нейросетей. Например, в Массачусетском технологическом институте (MIT) направление по принятию решений на основе ИИ уже вышло на второе место по популярности, а Университет Южной Флориды за один семестр набрал более 3000 студентов в новый профильный колледж.


https://techcrunch.com/2026/02/15/the-great-computer-science-exodus-and-where-students-are-going-instead/