Стихи как универсальный джейлбрейк LLM

Тут некоторые спрашивают, чего я ИИшки стихами проверяю.
Вот вам исследование:

Исследователи обнаружили, что переформулирование вредных запросов в поэтическую форму надежно обходит защиту языковых моделей.

20 рукописных стихотворений взломали 62% из 25 флагманских моделей одним промптом без итераций.
У некоторых провайдеров успех превысил 90% — Gemini 2.5 Pro вообще не отказал ни разу (100% ASR).

Когда 1200 опасных промптов из MLCommons автоматически конвертировали в стихи через мета-промпт, атака сработала в 43% случаев против 8% у прозаических версий — рост в 5+ раз.

Работают любые сценарии атак.
Причина: защитные механизмы заточены под прозу и не распознают вредный интент в метафорах, ритме и образах.

Парадокс: маленькие модели отказывали чаще больших — возможно, просто не понимали фигуральный язык.

Проприетарные системы не показали преимущества перед открытыми весами.

Стихи, - это полезно. Культура победит терминаторов. :)

Это они еще метафоричное образное описание не тестировали.
Я так 2 года назад Лакеру ломал :)

PDF

#Jailbreak #Poetry #cybersecurity
———
@tsingular

Obsidian + MCP + LM Studio: локальный комбайн лучше NotebookLM

Полезная инструкция по сборке ИИ-ассистента, который работает прямо внутри хранилища заметок Obsidian с локальной моделью через Model Context Protocol.

Агент сам читает файлы, ищет по содержимому, редактирует записи и дописывает текст. Всё остаётся на компьютере, никаких облаков.

Стек: Docker Desktop, плагин Local REST API для Obsidian, LM Studio с моделью openai/gpt-oss-20b. Мелкие 8B-модели не справились — просто выдавали инструкции вместо действий.

Настройка за минуты: Docker поднимает MCP-сервер (свой встроенный hub), Obsidian отдаёт API-ключ, LM Studio подхватывает соединение через иконку в чате.

Всё бесплатно, работает оффлайн, железо среднее - 20B это карта на 16 гигов.

Видео только не генерит, как NotebookLM, а так еще tavily или perplexity даже через MCP подключить и действительно больше ничего не нужно.
Для видео, кстати, можно настроить ComfyUI, там есть API - завернуть его в MCP и подключить туда же.

#Obsidian #MCP #LMStudio
———
@tsingular

Китай ставит гуманоидов на границу с Вьетнамом

Ахаха.. Помните роботов, что отрядами в контейнеры загружались?
Они ещё шутили, что едут на завод :)

UBTech получила контракт на $37 млн для размещения гуманоидов Walker S2 на пограничных пунктах в Гуанси.

Роботы будут встречать путешественников, патрулировать, обрабатывать логистику и проводить инспекции на заводах меди и алюминия.

Walker S2 — первый гуманоид с автономной заменой батареи за 3 минуты, работает почти круглосуточно.

Высота 1.76м, 52 степени свободы, руки поднимают до 15кг с точностью до миллиметра. Видит через стереозрение RGB-камер и мультимодальный фреймворк BrainNet 2.0.

Заказов на серию Walker уже на $115 млн. План - 500 штук до конца года, 10 000 к 2027-му.

Отменяем пузырь робототехники :) граница длинная,- роботов нужно будет много.

#UBTech #WalkerS2 #роботы #пограничники
———
@tsingular

Архитектура мозга и ИИ: «Вера» как инженер смыслов
(по следам Tafazoli et al., Nature 2025)

Исследование Tafazoli et al. предлагает биологическое решение проблем обобщения и забывания в ИИ - геометрическую композиционность.

Живой мозг не учится с нуля, а переиспользует нейронные популяции, динамически меняя геометрию представлений под текущую задачу.

1. Суперпозиция навыков
Вместо физического разделения нейронов под разные задачи (как в MoE), мозг использует одну плотную сеть, кодируя навыки в ортогональных (непересекающихся) подпространствах. Это позволяет «упаковывать» множество функций в одни и те же "веса" без взаимных помех, что диктует отказ от разреженных архитектур в пользу моделей с геометрическим разделением признаков.

2. «Вера» как операционная система
Внутреннее убеждение о задаче (Task Belief), - это не пассивное знание, а активный управляющий сигнал, который в реальном времени меняет физику обработки информации.
Он работает как динамический фильтр: буквально растягивает пространство важных признаков и сжимает нерелевантные измерения, технически подтверждая тезис «вера определяет восприятие».

3. Маршрутизация вместо переобучения
Сложное поведение формируется как конвейер: мозг берет уже обученные модули (например, «распознавание цвета») и на лету соединяет их выходы с нужными модулями действия.
Будущее ИИ, - не в обучении гигантских монолитов «на все случаи жизни», а в создании умных контроллеров, способных гибко коммутировать неизменяемые функциональные блоки.

#Nature #composition #теория
———
@tsingular

- Чем занимаешься?
- ДЖАПИТИ!

всегда теперь так буду отвечать :)

#юмор
———
@tsingular

#юмор #vibecoding #cybersecurity
———
@tsingular

🧊 MIT: ИИ уже может заменить 11,7% рабочей силы США

Исследователи MIT + Oak Ridge Lab выкатили симуляцию всего рынка труда США.

Не просто прогнозы, а измерения областей, в которых AI-навыки уже пересекаются с человеческими.

Что считали
Iceberg Index — доля зарплатной стоимости навыков в профессии, которые AI технически способен выполнять прямо сейчас.

Не "когда-нибудь заменит", а где инструменты уже существуют.

Как считали
- Взяли 151 млн работников × 923 профессии × 32,000 навыков
- Прокаталогизировали 13,000+ рабочих AI-инструментов (MCP, Zapier, специализированные)
- Промаппили AI-инструменты на человеческие навыки через LLM + ручная валидация
- Посчитали пересечение: навык × важность × зарплата
- Провалидировали через Anthropic Economic Index (реальное использование Claude) - 69% совпадение по штатам

Получилось, что под ударом, на самом деле, в 5 раз больше работников, чем показывают отчёты о сокращениях в бигтехе.

Важная оговорка
Это не прогноз увольнений, а карта технической возможности.
Как у телеканалов техническое покрытие - все потенциальные зрители (у кого есть телевизор и ловит сигнал), а не те, кто на самом деле смотрел эфир.

Реальные последствия зависят от: скорости адаптации, регуляторики, готовности компаний к изменениям, сопротивления работников.

Но $1.2 трлн зарплатной массы уже в зоне, где AI-инструменты существуют и работают.

150 тыс атрибутов на каждого человека из 150 млн. Размер базы прикиньте!
Если по 512 байт на ячейку 23 петабайта выходит :)

#MIT #Iceberg #workforce
———
@tsingular

#юмор
------
@tsingular

2025й год.

Цифровые фотомодели теперь выглядят вот так.

Автор: Jeff Dotson

#фотомодели #нейрорендер #Veo
------
@tsingular

устанавливаем n8n на Raspberry Pi

Домашняя автоматизация на изи.
Наткнулся на инструкцию как поднять n8n на малине.

Авось кому пригодится.

#n8n #RaspberryPi #dev
———
@tsingular

Хранилки эволюционируют до RAG систем в ближайшее время.

Станет такой базовой функцией уже к концу следующего года.

К этому толкают системы типа Gemini-filesearch от Google

Такая мысль посетила. Проверим через год.

#RAG #storage #мысли
———
@tsingular

🕷 Puppeteer Web Scraper для n8n

Собрал себе кодовый блок для n8n для работы с веб страницами.

Использует headless-режим Puppeteer для полноценного рендера страниц, включая JavaScript-контент.

Что делает
Нода загружает указанный URL и извлекает:
🖼 Screenshot — скриншот страницы 1920x1080 в формате PNG
📝 Full Text — весь видимый текст страницы через Selection API (как Ctrl+A → Copy)
🧱 HTML Content — полный HTML-код для дальнейшего парсинга
📄 Paragraphs — текст из всех <p> тегов отдельно
🔤 Headings — все заголовки h1-h6 с указанием уровня
🔗 Links — все ссылки с текстом, URL и флагом внешняя/внутренняя
🏷 Meta — title, description, keywords, Open Graph теги
📊 Structured Data — JSON-LD разметка Schema.org
📈 Stats — количество слов, ссылок, размер HTML, язык страницы

🎯 Применение
🔍 SEO-аудит — анализ meta-тегов, заголовков, структуры сайта
👁 Мониторинг контента — отслеживание изменений на сайтах
🗃 Сбор данных — парсинг каталогов, новостей, цен
💾 Архивация — сохранение скриншотов и контента страниц
🤖 AI-обработка — подготовка текста для LLM и NLP моделей

⚡️ Особенности
✅ Рендерит JavaScript — работает с SPA и динамическим контентом
✅ Обходит простую защиту от ботов через кастомный User-Agent
✅ Блокирует тяжёлые ресурсы (картинки, шрифты) для ускорения загрузки
✅ Обработка ошибок — не падает на недоступных URL
✅ Готовый binary-output для скриншотов в n8n

для запуска не забываем установить puppeteer, chomium и добавить все это богатство в n8n (у меня в pm2):

# 1. Устанавливаем Puppeteer глобально
npm -g i puppeteer

# 2. Устанавливаем зависимости Chrome
sudo apt update
sudo apt install -y ca-certificates fonts-liberation libasound2t64 libatk-bridge2.0-0 libatk1.0-0 libcairo2 libcups2 libdbus-1-3 libexpat1 libfontconfig1 libgbm1 libgcc1 libglib2.0-0 libgtk-3-0 libnspr4 libnss3 libpango-1.0-0 libpangocairo-1.0-0 libstdc++6 libx11-6 libx11-xcb1 libxcb1 libxcomposite1 libxcursor1 libxdamage1 libxext6 libxfixes3 libxi6 libxrandr2 libxrender1 libxtst6 lsb-release wget xdg-utils

# 3. Фикс для Ubuntu 23.10+ (AppArmor sandbox issue)
sudo sysctl -w kernel.apparmor_restrict_unprivileged_userns=0
echo 'kernel.apparmor_restrict_unprivileged_userns=0' | sudo tee /etc/sysctl.d/60-apparmor-namespace.conf

# 4. Перезапускаем n8n с разрешением внешних модулей
NODE_FUNCTION_ALLOW_EXTERNAL=axios,puppeteer pm2 restart n8n --update-env

сам JSON для n8n в комментарии

про n8n-nodes-puppeteer в курсе.
хотелось сделать что-то своё с контролем кода в ноде.

#n8n #puppeteer
———
@tsingular

Часто народ просит объяснить базовые вещи, показать какие то простые примеры.
В связи с этим, запускаю новую рубрику "Промпт дня"
Раз в сутки буду давать пример запроса на случайную тему.
Напишите в комментариях если есть идеи и предложения как улучшить, может быть какие-то темы, которые более интересны.

💡 Преврати сложный технический документ по кибербезопасности в понятный маршрут действий, не оглядываясь на чужие стандарты

📋 ПРОМПТ ДНЯ:

Роль: Ты — эксперт по кибербезопасности с опытом адаптации сложных технических требований для практического внедрения в компаниях разного масштаба.

Ситуация: У меня есть объёмный технический документ по кибербезопасности (стандарты, политики или аудит). Мне нужно превратить его в простую систему действий для моей команды. Проблема в том, что я постоянно сравниваю наш подход с тем, что делают другие компании, и это парализует — кажется, что все делают лучше или правильнее. Мне нужна ясность здесь и сейчас.

Задача: Проанализируй текст и создай пошаговый маршрут внедрения, моделируя возможные сценарии применения именно в моём контексте. Не предлагай «лучшие практики индустрии» — сфокусируйся на том, что реально работает прямо сейчас.

Формат ответа:
— Маршрут из 3-5 последовательных этапов с чёткими точками принятия решений
— Для каждого этапа: что делать, какой результат ожидать, когда переходить к следующему
— Временные рамки для немедленного старта (ближайшие 1-4 недели)
— Критерии успеха без оглядки на внешние бенчмарки

Ограничения:
— Никаких ссылок на «как делают в Google/Microsoft/etc»
— Фокус на минимально жизнеспособном решении, а не на идеальной архитектуре
— Конкретные действия вместо абстрактных рекомендаций

Сначала задай мне 3 уточняющих вопроса о размере команды, текущем уровне зрелости процессов и главном риске, который беспокоит прямо сейчас.

⚙️ ПРИЁМ:

Минимальный эксперимент — ты получаешь не теоретический план, а проверяемый маршрут с конкретными точками контроля, который можно запустить сегодня и скорректировать завтра на основе реальных данных

#промпты #кибербезопасность
------
@tsingular