TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #367 · 30.05
Поговорим про ML. Пару дней назад вышла новость о том, что в продажу поступила первая русскоязычная книга, половину текста в которой написала нейросеть ruGPT-3. А до этого вы все наверняка натыкались на очень яркие записи про Dalle и Imagen, где нейросеть по описанию рисует картинку, и получается очень любопытно. Такими темпами скоро нейросети превратятся в крипту: высокотехнологичную вещь, о которой, однако, в среде приличных технарей лучше не упоминать. Потому что то, каким образом это используется, и то, какой образ этому создают в массах, расходится не только с реальностью, но и с определённым уровнем вменяемости. Кстати, ML ещё и может ярко демонстрировать эффект Даннинга-Крюгера. Мем про "Ты чё, пёс, я математик!" нифига не шутка. Человек может считать себя крутым программистом, если научился комбинировать чужие библиотеки на питоне. Хотя на самом деле простейшую практическую задачу решить не способен -- я с такими сталкивался лично. ML-щики вообще пихают свои нейросети куда ни попадя, считая, что это волшебная таблетка и швейцарский нож для любых ситуаций. Мне рассказывали случай, когда на хакатоне по работе с данными выиграл человек, который просто аккуратно вручную подобрал нужные зависимости в Excel :) Глобально же нейросетями пытаются решать три вида задач: 1. Информации в вопросе много, а в ответе нужно мало. Например, распознавание образов и символов. Подбор значений каких-нибудь коэффициентов. Приложение "Хотдог или не хотдог" из сериала Кремниевая Долина. Обычно нейросети справляются с таким очень хорошо. Рукописный ввод распознают шикарно, по фото могут назвать породу собаки, математические формулы читают. Но важно понимать, что под капотом даже у такой нейросети не возникает никаких понятных вам символов. Например, при распознавании рукописного ввода случайный набор пикселей, не имеющий для человека смысла, может быть с той же степенью уверенности интерпретирован нейросетью, как совершенно чёткая буква А. Просто мы на такой случайный набор не попадаем почти всегда, и поэтому всё ок. 2. Информации в вопросе средне, и в ответе нужно средне. Как правило, это предсказание, восстановление недостающих данных, улучшение качества фото, раскрашивание ч/б. С такими задачами нейросети справляются уже средненько. Улучшенный нейросетью снимок сразу видно. Предсказание лишь ненамного точнее, чем случайный выбор. Польза в том, что в обращении такие сети просты, а результат всё-таки дают. Но не стоит их переоценивать. Например, сюда можно отнести задачу суммаризации текста (по большому объёму текстов тебе печатают выжимку). Мои товарищи в одном чате несколько дней игрались с ботом-суммаризатором, и в основном половина написанных им фраз это просто мусор и ерунда для ржача. Но в другой половине всё-таки какой-то совсем небольшой смысл проглядывался. Недостаточный для того, чтобы задалбывать этим ботом участников чата (привет, ребята :) ), но не абсолютный рандом. 3. Информации в вопросе мало, а в ответе нужно много. Это генерация данных: вот как раз написание текстов, составление рисунков, логотипов и так далее. Так вот, по моему скромному, но всё-таки хоть немного компетентному мнению, в таких вопросах нейросети выдают полную херню. И хвалёная логотипная нейросетка Лебедева — тоже полная херня. И распиаренная GPT ничего толкового не пишет. Когда читаешь примеры в новостях-анонсах, сразу думаешь: "Вау, как круто!". Но когда пробуешь сам: ruGPT-3 по уровню осмысленности где-то чуть ниже "Яндекс.Рефератов", если помните такой сервис и суть его работы. Я не знаю, будут ли сети по созданию изображений работать так круто (сейчас доступа к ним ни у кого нет), но книга в соавторстве с человеком стала возможна только по той причине, что в качестве человека взяли Павла Пепперштейна, который берёт случайные комбинации словосочетаний и выдаёт это за литературу. Поверьте: человечество пока что в безопасности касательно захвата машинами. #dev
Hashtags
Търсене: #bpf
@aigcrubbish · Post #269 · 23.03.2026 г., 16:49
[$] Tracking when BPF programs may sleep BPF 程序可以在可休眠和不可休眠（原子）上下文中运行。目前，可休眠的 BPF 程序不允许进入原子上下文。Puranjay Mohan 提出了一个新的补丁集，旨在改变这一限制。该补丁集允许在可休眠上下文中调用的 BPF 程序临时获取锁，从而使程序过渡到原子上下文。然而，BPF 维护者 Alexei Starovoitov 对部分实现提出了异议。因此，该补丁能否被接受，取决于 Mohan 是否愿意并有能力解决这些问题。 原文链接：https://lwn.net/Articles/1062868/ #Linux内核#BPF#内核开发 #AIGC Read more
@aigcrubbish · Post #217 · 26.02.2026 г., 01:38
[$] No hardware memory isolation for BPF programs BPF 程序目前缺乏硬件内存隔离。Yeoreum Yun 在 2 月 12 日提出了一项改进建议，希望利用内存保护密钥来防止 BPF 程序未经授权访问内存。他本想在 5 月的 Linux 存储、文件系统、内存管理和 BPF 峰会上讨论此议题，但由于缺乏关注，这不太可能实现。Yun 还有一个实现了部分提议的补丁集，但尚未在邮件列表中分享。以目前的形式，他的提议似乎不太可能被接受。不过，内核过去在经历大量讨论后，也曾添加过基于硬件的加固选项。 原文链接：https://lwn.net/Articles/1059218/ #Linux#内核安全#BPF#内存管理 #AIGC Read more
@aigcrubbish · Post #108 · 19.12.2025 г., 16:03
[$] A visualizer for BPF program state BPF 验证器非常复杂，它需要检查 BPF 程序执行可能经过的每一条路径。其判断程序是否安全是基于程序的整个生命周期，而非简单的局部因素，这意味着验证失败的原因并不总是显而易见的。 在 2025 年东京 Linux Plumbers 大会上，Ihor Solodrai 和 Jordan Rome 介绍了他们正在构建的 **BPF 验证器可视化工具**。该工具旨在让诊断验证失败的过程变得更加容易。 通过这个可视化工具，开发者可以更直观地理解验证器的内部状态和决策过程，从而更快地定位和修复 BPF 程序中的问题。 原文链接：https://lwn.net/Articles/1050585/ 相关资源：演示文稿 | 项目仓库 #Linux#BPF#内核开发#调试工具 #AIGC Read more
@aigcrubbish · Post #158 · 27.01.2026 г., 17:06
[$] Implicit arguments for BPF kfuncs Linux 内核的 kfunc 机制允许 BPF 程序直接调用内核函数。目前内核中有超过 300 个 kfunc，功能涵盖字符串处理（如 `bpf_strnlen()`）到自定义调度器（如 `scx_bpf_kick_cpu()`）等。 有时，这些 kfunc 需要访问 BPF 程序无法直接获取的上下文信息，因此无法通过参数传递。Ihor Solodrai 提交的“隐式参数”补丁集旨在解决这个问题，它允许 kfunc 隐式地接收额外的上下文参数。 原文链接：https://lwn.net/Articles/1055559/ #Linux#内核#BPF#kfunc #AIGC Read more
@aigcrubbish · Post #257 · 19.03.2026 г., 01:29
[$] BPF comes to io_uring at last Linux 内核的异步 I/O 接口 io_uring 通过两个共享环形缓冲区与用户空间通信：提交队列用于发送请求，完成队列则存放结果。尽管共享内存减少了大量开销，但内核仍需切换至用户空间以处理完成事件并提交后续工作，这仍会产生开销。 Pavel Begunkov 提交的补丁集旨在最小化这一开销。它允许开发者使用 BPF 程序扩展 io_uring 的事件循环，使程序能直接响应完成事件并提交后续工作项，无需切换至用户空间。该补丁集已开发很长时间，现已被内核社区接受。 这一改进将进一步提升 io_uring 的高性能 I/O 处理能力。 原文链接：https://lwn.net/Articles/1062286/ #Linux#内核#io_uring#BPF#性能优化 #AIGC Read more
@aigcrubbish · Post #166 · 29.01.2026 г., 16:39
[$] Sub-schedulers for sched_ext 可扩展调度类（sched_ext）允许安装由 BPF 程序构建的自定义 CPU 调度器。它被合并到 6.12 内核版本中，使内核摆脱了此前“一个调度器适应所有场景”的模式；现在任何系统都可以拥有针对其工作负载优化的专属调度器。然而，在单个机器内部，目前仍然是“一个调度器适应所有场景”：整个系统只能加载一个调度器。Tejun Heo 提出的 sched_ext 子调度器补丁系列旨在改变这一状况，允许在单个系统上运行多个 CPU 调度器。 原文链接：https://lwn.net/Articles/1056014/ #Linux#内核#调度器#BPF#sched_ext #AIGC Read more
@githubtrending · Post #15415 · 15.01.2026 г., 12:30
#go#bpf#cncf#cni#containers#ebpf#k8s#kernel#kubernetes#kubernetes_networking#loadbalancing#monitoring#networking#observability#security#troubleshooting#xdp Cilium is an eBPF-based tool for Kubernetes that delivers fast networking, deep visibility, and strong security. It creates simple Layer 3 networks across clusters, handles load balancing to replace kube-proxy, enforces identity-based policies from L3 to L7 (like HTTP or DNS rules), supports service mesh with encryption, and offers Hubble for real-time traffic monitoring. Stable versions like v1.18.6 run on AMD64/AArch64. You gain scalable performance, easier policy management without IP hassles, better troubleshooting, and higher efficiency for large cloud-native apps, cutting costs and boosting reliability. https://github.com/cilium/cilium