Hacker News Digest

Налог на выезд из Германии: уезжайте до роста бизнеса

Если вы владеете немецкой компанией и она стала прибыльной, вы фактически не можете покинуть страну без огромного налога. Это «Берлинская стена» для предпринимателей, о которой почти не говорят.

Как считают налог

• Коснётесь, если владеете > 1 % любой ООО (включая иностранные).
• Берут среднюю прибыль за 3 года × 13,75 × 0,6 × 0,42 ≈ средняя прибыль × 3,5.
• Пример: прибыль 200 тыс € → налог ~700 тыс €.

Четыре группы

1. Наёмные – нет долей, уехать можно.
2. Убыточные/стартапы – оценка ≈ 0, налог 0 (если не было инвест-раунда).
3. Прибыльные малые – налог высокий, денег на него нет.
4. Крупные (> 2 млн €) – плотят налоговые советники через трасты в Лихтенштейне.

Пример

• 3a: прибыль 50 тыс €, зарплата 0 – налог 0.
• 3b: прибыль 200 тыс €, зарплата 120 тыс € – налог ~700 тыс €.

Вывод: уезжайте до того, как бизнес начнёт приносить деньги, иначе Германия не отпустит.

• Германия вводит жёсткий «налог на выезд»: при переезде бизнесмену придётся заплатить до 42 % от условной оценки будущих прибылей его компании.
• Участники сравнивают это с канадским deemed disposition, норвежским exit tax и американским налогом на гражданство-нерезидентов; все считают подход чрезмерным.
• Предприниматели жалуются: правило фактически «приковывает» к стране владельцев GmbH/AG, лишает мотивации масштабироваться и толкает к офшорным схемам (трасты, лицензирование через Ирландию).
• Критики предупреждают об оттоке капитала и талантов; сторонники считают меру справедливой, чтобы «утекшая» прибыль всё-таки была обложена.

• Цель: создать единый фреймворк для тестов производительности Ollama на двух конфигурациях:
1. настольная материнка (1×CPU, 1×GPU, 128 ГБ ОЗУ);
2. кластер из 4 узлов (по 64 ГБ ОЗУ, 1×GPU, 10 GbE).

• Методика
• Одинаковые образы Docker/Podman на обеих платформах.
• Набор моделей: llama3.1:8b, codellama:13b, mistral:7b, qwen2.5:32b.
• Метрики: t/s, TTFT, TPS, Watts, $/1k токенов.
• Повторять 3×, усреднять, выводить ±σ.

• Автоматизация
• Ansible-playbook разворачивает Ollama, node-exporter, prometheus, grafana.
• Скрипт run-suite.sh последовательно запускает каждую модель с 512, 2 048, 4 096 токенов ввода/вывода.
• Результаты пишутся в CSV и публикуются в PR как results-<platform>-<date>.md.

• Сравнение
• Построить графики «токен/с vs. Watts» и «$/1k токенов vs. модель».
• Выделить break-even точку, где кластер начинает выигрывать по стоимости при одновременной обработке ≥3 моделей.

• Пользователи сравнивают AMD Framework Desktop (AI Max+ 395) с RTX 4000 SFF Ada и RTX 3090/5080: AMD дешевле, но проигрывает 2-3× по скорости и уступает Threadripper в общих задачах.
• ROCm на Linux работает лучше, чем ожидалось; Apple остаётся королём «домашнего» инференса, но для игр Linux + Proton выглядит привлекательнее Windows.
• Обсуждают распределённый запуск LLM через distributed-llama, Exo и llama.cpp RPC; geerlingguy выложил автоматизацию кластера.
• Спорят, стоит ли брать RTX 5080 (16 ГБ) или дешевле взять б/у RTX 3090 (24 ГБ) ради большего объёма VRAM.
• Некоторые разочарованы, что тесты не использовали iGPU/NPU и не проверяли компиляцию; Framework всё же имеет M.2 и PCIe x4 для высокопроизводительных интерконнектов.

• GPT-5 — три модели: regular, mini, nano; 4 уровня рассуждений (от minimal до high).
• Контекст: 272 тыс. токенов ввода, 128 тыс. вывода; поддержка текста и картинок.
• В ChatGPT — гибрид: быстрая модель + «глубокая» + роутер; после лимитов включаются мини-версии.
• Цены (за 1 млн токенов):
• GPT-5: $1,25 / $10
• Mini: $0,25 / $2
• Nano: $0,05 / $0,40

Кэш −90 %, вдвое дешевле GPT-4o.

• Семейство: заменяет GPT-4o, o3/o4-mini, 4.1-nano; Pro-версия ($200/мес) пока в ChatGPT.
• Остались отдельно: аудио, генерация картинок.
• По ощущениям: редко ошибается, «умеренно впечатляет», удобен как «умолчание по умолчанию».

• GPT-5 воспринимается как стабильное, а не «миротрясущее» улучшение; многие ждали большего.
• Пользователи расходятся во мнениях: кто-то не видит галлюцинаций, кто-то сталкивается с ними ежедневно; для кодинга кому-то стало хуже.
• Отсутствуют привычные параметры temperature/top-p у reasoning-моделей, что усложняет тонкую настройку.
• OpenAI резко снизило цены, что воспринимается как признак жёсткой конкуренции и отсутствия «рва».
• Линейка теперь включает три модели (regular, mini, nano) и четыре уровня «reasoning effort», что увеличило число вариантов с 3 до 12+.
• Ключевые плюсы: лучшая надёжность, меньше лести, более агрессивное использование инструментов; минус — скромные официальные бенчмарки.

GPT-5 в API — новейшая модель OpenAI для кода и агентов.

• 74,9 % на SWE-bench Verified, 88 % на Aider polyglot.
• Лучше o3 в 70 % фронтенд-задач.
• Меньше ошибок вызова инструментов, надёжно цепляет десятки вызовов.

Фидбек партнёров
Cursor: «самая умная и управляемая». Windsurf: «SOTA, половина ошибок». Vercel: «лучшая модель для фронта». Manus, Notion, Inditex — рекорды внутренних бенчмарков.

Новые API-параметры
verbosity (low/medium/high), reasoning_effort: minimal, custom tools (plain-text, грамматики).

Три размера
gpt-5, gpt-5-mini, gpt-5-nano. В ChatGPT — система из нескольких моделей; в API — только reasoning-версия.

Производительность

• На SWE-bench: +5,8 % к o3, ‑22 % токенов, ‑45 % вызовов.
• Aider polyglot: рекорд 88 %, ошибки ↓33 %.
• Умеет глубоко анализировать код и отвечать на сложные вопросы.

Примеры одним промптом
Создаёт полноценные приложения, чинит баги, пишет красивый фронтенд.

• Пользователи спорят о превосходстве GPT-5 над Claude Opus 4.1: кто-то не видит разницы, кто-то фиксирует регресс в следовании инструкциям и агентной работе.
• GPT-5-mini с минимальным reasoning показал себя лучше других моделей в RAG-сценарии, уменьшая галлюцинации.
• На практике Claude (Sonnet/Opus) чаще оказывается надёжнее для кодинга; GPT-5 теряет контекст и «забывает» базовые запреты.
• Цена GPT-5 в 6–7 раз ниже Claude Opus, но фиксированного «Max-тарифа» нет, что оставляет преимущество у Claude Code.
• Новые возможности (CFG/regex-ограничения, контекст 400k токенов) выглядят мощно, но пока не компенсируют проблем с качеством кода.

GPT-5 уже здесь
OpenAI представляет самую умную, быструю и полезную модель с встроенным «мышлением» — доступна всем.

Что нового в ChatGPT

• Экспертные ответы по математике, праву, финансам и др.
• Глубокий анализ сложных задач и уточняющие вопросы.
• Настройка: выбор личности, цвета чата, голосовой стиль.
• Режим обучения: пошаговая помощь в любом предмете.
• Интеграция Gmail и Google Calendar для персонализированных ответов.

Для бизнеса
GPT-5 надёжнее, понимает контекст компании (файлы, Google Drive, SharePoint) и работает через готовые коннекторы. Доступно в ChatGPT Team; Enterprise и Edu — 14 августа.

• Релиз GPT-5 вызвал разочарование: прирост качества на бенчмарках минимален (SWE-bench +0,4 %), графики с ошибками, демо с физическим мифом.
• Цена и объём контекста (400 k токенов, $1,25 / $10) — главное достоинство; модель дешевле Claude Opus 4.1 и Gemini 2.5 Pro.
• Производительность в коде и агентских задачах у кого-то лучше, у кого-то хуже; многие предпочитают Claude 4-sonnet или Sonnet 3.7.
• OpenAI одновременно выводит из обращения почти все предыдущие модели, что вызывает вопросы о стабильности сервиса.
• Общий вывод: это не прорыв к AGI, а инкрементальный, ориентированный на продукт апдейт, где экономика важнее интеллекта.

• Introducing GPT-5 — YouTube
• Пропустить навигацию
• Поиск / Поиск голосом
• Войти
• Смотреть позже • Поделиться • Копировать ссылку • Покупки
• Нажмите, чтобы включить звук • 2x
• Если воспроизведение не началось, перезапустите устройство.
• Вы вышли из аккаунта. Просмотры могут влиять на рекомендации на ТВ. Чтобы избежать этого, отмените и войдите на YouTube на компьютере.
• Отмена • Подтвердить
• 37:35 • 7 августа, 10:00 GMT-7
• Далее • Прямой эфир запланирован • Играть

Introducing GPT-5

• OpenAI • Подтверждено • 1,65 млн подписчиков
• Подписаться • Подписаны
• 6 522 ожидают • Запланировано на 7 авг. 2025
• 1K • Поделиться • Скачать • Сохранить
• Комментарии отключены

Описание

• Introducing GPT-5
• Присоединяйтесь к Сэму Альтману, Грегу Брокману, Себастьену Бюбеку, Марку Чену, Янну Дюбуа, Брайану Фиоке, Ади Ганешу, Оливеру Годеману, Саачи Джайн, Кристине Каплан, Тине Ким, Элейн Я Ле, Фелипе Миллону, Мишель Покрасс, Якубу Пахоцки, Максу Шварцеру, Ренни Сонгу, Жожену Вану — они представят и продемонстрируют GPT‑5.
• OpenAI: Видео • О канале • Twitter • LinkedIn

• Участники обсуждают качество ИИ для повседневного программирования: один отмечает сильное превосходство Anthropic (Sonnet 3.7/4 и Claude Code), причём в Cursor опыт хуже, чем в самом Claude Code, и OpenAI‑модели он почти не использует.
• Есть надежда, что GPT‑5 сократит отставание OpenAI, хотя мнения пользователей сильно расходятся.
• Другой комментатор ожидает, что грядущие анонсы покажут радикальное влияние на рынок: веб‑ и JS/TS‑разработчики могут стать частично или полностью невостребованными.
• При этом подчёркивается, что речь ещё не об «AGI» — максимум о ~10% от обещанных возможностей AGI.
• Отмечается ночной «слив», указывающий на фокус на кодинге; предполагается, что для названия «GPT‑5» OpenAI должен предложить существенное преимущество над Anthropic.

Ненавижу Disqus.

Годы вела блог без нормальных комментариев — подходящего решения не находилось.

• Disqus: медленный, тяжёлый, трекает, ничего не контролируешь, тормозит страницы.
• Самостоятельный хостинг: по сути свой мини-соцсервис — пользователи, спам, модерация, БД, задержки.
• GitHub Issues: годится для дев-блогов, но костыль и требует аккаунт GitHub.
• Без комментариев: чисто, но теряются беседы и открытия.

Я давно в Bluesky: комьюнити ок, API вменяемый, децентрализация, люди делают блог-посты в протоколе и комментарии через Bluesky. Почему бы не так же?

Почему Bluesky уместен

• Нет своей инфраструктуры: без БД, аутентификации и модерации — это уже в Bluesky.
• Более богатый контент: изображения, ссылки, треды.
• Реальные профили и переносимость — больше ответственности, меньше троллинга.
• Кроссплатформенность: обсуждения видны и в соцсети, и в блоге.
• Я владею постом, комментаторы — своими реплаями.

Процесс: публикую пост, шарю в Bluesky, добавляю AT URI — ответы на тот пост становятся комментариями в блоге.

Компонент

AT Protocol: DID (did:plc:…/did:web:…), CID, AT URI (at://did…/app.bsky.feed.post/postid). Чтобы получить тред, достаточно вызвать getPostThread с нужным URI, без аутентификации.

Архитектура:

1. главный компонент треда;
2. компонент ответа с метаданными и ссылкой на оригинал;
3. компонент встраиваний (изображения, превью ссылок). Простая и небольшая композиция.

Треды: вложенность произвольная; выбрала рекурсивный рендер с отступами и ограничением в 5 уровней — дальше обычно спор на двоих.

Обогащения: изображения через CDN, часто по несколько — адаптивная сетка + модалка; внешние ссылки — карточки; неизвестные типы — аккуратный фолбэк.

Интеграция с Astro: React + client:load, передаю did и postCid из фронтматтера:
bsky:
did: "my-bluesky-did"
postCid: "the-post-id"

Что узнала

• TypeScript помогает: пакеты с типами (@atcute/client) сняли кучу багов и ускорили разработку.
• Прогрессивное улучшение: комментарии — доп. слой; без JS или при падении API пост остаётся читабельным.

• Участники обсуждают, как встроить комментарии в личный блог: кто-то сделал своё решение, кто-то использует Bluesky, Matrix/Cactus.chat, Mastodon или Webmention.
• Главные плюсы Bluesky — открытый протокол AT и возможность продолжать дискуссию в соцсети; минусы — потребность в аккаунте, вопросы модерации, риск «закрытия» после исчерпания VC-денег.
• Некоторые предпочитают полностью самостоятельные или федеративные решения (Mastodon, ActivityPub, GitHub Issues, email-формы) ради контроля и переносимости данных.

• Проблема: «пользователь ≠ покупатель». Нет универсального решения; всё зависит от того, у кого реальная власть — и это не всегда владелец кредитной карты.
• Критерий: кто имеет рычаги — власть, ограничения и стимулы — чтобы протолкнуть покупку. Именно он и «ценит» продукт по-настоящему (с учётом реальности: может ли он реально обменять ценность на деньги/внедрение).
• Малые/ранние компании: плоская структура, главный ограничитель — скорость. Девелопер имеет влияние: приносит инструменты, может начать с фри-плана, показать пользу, а потом компания «троянится» на платный тариф. ЦТО хочет ускорения time-to-market, поэтому прислушивается.
• Компании с жёсткой безопасностью: власть у руководства/безопасности. Пользователи не ставят софт сами; длинный цикл продаж, фокус — безопасность и результат, а не DX/UX. Пользовательского «хочу» недостаточно.
• Деньги ≠ решение. Важно не «кто пробует первым», а «кто может провести сделку с учётом ограничений». Если девелопер ценит выше, чем бюджетодержатель, чек на его оценку не подпишут. Иногда девы платят сами — их стимул: выглядеть сильнее и принести победу.
• Типичный путь (пример): дев регистрируется → пробует локально → получает «аха-момент» до PR (видит до/после, экономит время/QA, возможно авто) → пытается убедить лидершип → лидершип тестит, проверяет бюджет → одобрение → покупка → распространение в команде.
• Практика для аутрича и месседжинга:
• Определите, кто реально продвигает покупку в вашем сегменте (скорость vs безопасность).
• Для девов: быстрый «аха» в онбординге, self-serve, бесплатный слой, скрипты для локального пруфа, материалы «как продать менеджеру» (one-pager ROI, сравнение рисков, кейсы).
• Для решал: безопасность, комплаенс, TCO, интеграции, контроль доступа, процессы закупки; готовые ответы на due diligence.
• Создайте мост: внутриигровой триггер «пригласить лидершип/безопасность» с автогенерацией отчёта ценности/рисков.
• Точечный аутрич: спрашивайте про реальный путь успешного принятия именно у ваших пользователей и под него выстраивайте GTM.

• Не надо требовать контакты для скачивания и затем бомбардировать продажами — это вызывает «сарафанное гнево».
• Разрыв между пользователем и покупателем (Principal–Agent) решается, если сделать пользователя «чемпионом» и дать ему аргументы для «продажи» внутри компании.
• Slack, Postman и др. показывают: когда 90 % команды уже используют продукт, покупка становится очевидной.
• В крупных компаниях решения часто принимают не CTO, а лайн-менеджеры или руководители подразделений.
• Успешная тактика — короткая «CEO-страница» с ROI и кейсами, чтобы пользователь выглядел героем, а не нытиком.

«Идея, что дефицит лития может вызывать болезнь Альцгеймера, нова и задаёт иной терапевтический подход», сказал Брюс Янкнер, профессор генетики и неврологии HMS, впервые показавший токсичность амилоида бета в 1990‑х. Исследование предполагает, что литий может лечить заболевание целостно, а не бить по отдельным мишеням — амилоиду бета или тау.

Ключевой вывод: на ранних этапах деменции формирующийся амилоид бета связывает литий, снижая его функцию в мозге. Пониженный литий затрагивает все типы клеток и у мышей вызывает изменения, характерные для болезни Альцгеймера, включая потерю памяти. Авторы нашли класс соединений лития, избегающих захвата амилоидом; наиболее мощное — литий оротат — у мышей обращало патологию, предотвращало повреждение нейронов и восстанавливало память.

Хотя нужны клинические испытания, измерение лития может помочь в раннем скрининге, а амилоид-устойчивые формы — в лечении и профилактике. Другие соли лития применяют при биполярном и депрессии в высоких, потенциально токсичных дозах, особенно для пожилых; литий оротат подействовал в дозе в тысячу раз меньше — сопоставимой с естественным уровнем в мозге — без признаков токсичности при длительном применении у мышей. «Осторожность при экстраполяции с мышей важна, но результаты обнадёживают», отметил Янкнер.

Истощение лития — ранний признак

Команда, сотрудничая с Rush Memory and Aging Project, измерила следовые уровни ~30 металлов в мозге и крови у когнитивно здоровых, с лёгким когнитивным нарушением и с выраженной болезнью Альцгеймера. Только литий резко различался между группами и менялся на самых ранних стадиях: высок у здоровых и снижен при ЛКН и Альцгеймере. Результаты воспроизвели на образцах из разных банков. Наблюдения согласуются с популяционными данными: больше лития в среде и воде — ниже деменция. Впервые показано, что естественный, «нутриентоподобный» уровень лития биологически значим и без приёма препарата.

Потеря лития запускает каскад изменений

Ограничение лития в рационе здоровых мышей снижало его мозговой уровень до альцгеймероподобного, ускоряло «старение»: воспаление, потерю синапсов, когнитивный спад. В моделях Альцгеймера дефицит лития резко ускорял бляшки и клубки и активировал микроглию.

• Обсуждают идею приёма лития (в частности, оротата лития) без рецепта как потенциальную защиту от нейродегенерации.
• Один участник подчёркивает, что литий не доказан как безопасный и эффективный для предотвращения нейродегенерации у людей и предостерегает от самостоятельного приёма.
• Другой отвергает «слепую безопасность», отмечая, что литий оротат широко используется и не выглядит экзотическим.
• Упоминается изотоп литий-6 как «предпочтительный для мозга», без подробного объяснения причин.
• Есть саркастический комментарий про «добавить телефонные батареи в рацион».
• Один участник делится личной историей о родственнике с болезнью Альцгеймера, подчёркивая её трагичность и выражая надежду на скорое появление лечения.

Я недавно взял летний отпуск: немного поездок, много прогулок. Знаю по опыту: без паузы зима тянется, мысли мутнеют. Стоит отдохнуть — мозг «помогает» идеями. На этот раз меня терзала мысль: что покажет анализ «ИИ» через призму современной управленческой теории, где вмешательства имеют высокую вариативность по времени и результатам?

Но реальность проста: бизнесу не важны управление, продуктивность и даже издержки. Его интересуют контроль над трудом и курс акций. Большая часть англоязычной управленческой культуры сегодня противоречит тому, что доказано работает со времён Деминга и послевоенной Японии.

Примеры:

• Опенспейсы многократно показали вред фокусу, коллаборации и благополучию. Они снижают лишь затраты на офис и усиливают надзор.
• Работа из дома по продуктивности сопоставима с разумным офисом и уступает сплочённой кросс‑функциональной команде в одном пространстве, но лучше опенспейса. Она улучшает сон сотрудников (а сон улучшает результаты) и снижает расходы на офис. Однако усложняет слежку, а при авторитарной философии контроль важнее прибыли и исходов.

Поэтому моделировать «ИИ» в рамках современной теории управления бессмысленно: менеджеры уже показали, что им безразличны эффективность, издержки и благополучие. Их волнуют контроль и личная карьера. Даже гипотетические +20% к продуктивности от LLM (маловероятно) меркнут на фоне совокупного вреда от устройства современного рабочего места; а если «ИИ» вреден — компаниям всё равно.

Отсюда вопрос: есть ли аудитория, которая хочет работать лучше и может менять практики? Вероятно, да — немного: разумно управляемые малые и средние фирмы, отдельные «укрытые» команды в корпорациях. Но именно они вряд ли «all‑in» по генеративным моделям: здравый смысл отталкивает из‑за пузыря, лока‑ина, завышенных затрат, экологического ущерба, политических рисков и квазирелигиозных идеологий (сингулярность, акселерационизм, лонгтермизм).

Тем, кто ценит рациональный менеджмент, эти инструменты уже не кажутся привлекательными, значит, аудитории для анализа, который лишь покажет их вред по множеству направлений, почти нет. А тем, кто застрял в организации, полностью ставящей на «ИИ», су…

• Участники спорят о роли LLM: они полезны, но ограничены и не заменяют человеческое мышление; корпоративные культуры используют их как инструмент давления, при этом качество результатов посредственное.
• Одни утверждают, что хорошие менеджеры реально заботятся о продуктивности и облегчают работу команд, другие — что компании часто навязывают контрпродуктивные правила и бюрократию ради контроля и соответствия.
• Критика: краткосрочность и ориентация на метрики/акции ведут к решениям, повышающим личную выгоду руководителей, но вредящим долгосрочной эффективности.
• Продуктивность важна, но не всегда определяет успех: крупные прорывы (Google, Tesla) связаны с качеством продукта и стратегией, а не просто с «выжиманием» эффективности.
• Анализ и оптимизация процессов полезны, но имеют издержки; чрезмерный учет и микроменеджмент могут снижать реальную эффективность.
• Скепсис к «очевидности» пузыря ИИ и к экологическим аргументам: критики требуют либо ставок против рынка, либо признают, что ИИ — малая часть экологической проблемы.
• Общий вывод: разрыв между декларациями о продуктивности и реальными практиками велик; хороший менеджмент редок и ценен, но системные стимулы часто искажают поведение компаний.