Hacker News Digest

moribito
Публичный репозиторий ericschmar/moribito

• Ошибка загрузки – перезагрузите страницу.

• Пользователи рады новому TUI-клиенту для LDAP и благодарят автора.
• Просят добавить поддержку редактирования дерева cn=config и лицензию в репозиторий.
• Уточняют совместимость с Active Directory; автор считает, что должно работать через библиотеку Go.
• Сравнивают проект с громоздким Apache Directory Studio и предлагают выложить его на terminal trove.

• Хобби: взять то, что не нравится, и попытаться полюбить — еду, музыку, людей, обстоятельства. Это способ наслаждаться жизнью и изучать человеческую природу.

• Париж, Майкл Джексон. Услышал Billy Jean повсюду, решил: «Они правы, он крут». Потом узнал, что это было 25 июня 2009-го — день смерти певца.

• Шпинат. Детство: заставляли есть — чувствовал насилие над автономией. Взрослый приём: представляю, что монахи в Японии кормят таинственным овощем. Получилось «переварить» также белое вино, Ezra Klein, диско, йогу, Pearl Jam, Гибли.

• Кантри. Оцениваю, но не чувствую. Хочется хотеть любить, но культурная программа глубже. Некоторые уровни подсознания не поддаются.

• Изюм и Oasis. Годами добавлял изюм в троп-микс, но никогда не хотел его есть. Раз в пару лет «признаюсь» себе в любви к Oasis — включаю и разочаровываюсь. Концепция «я» может быть ошибочной.

• Сноб по ТВ. Уверен, что сериалы могут быть высоким искусством, но 90 % считаю «кормёжкой». Хочется посмотреть — не могу. Возможно, всё плохо, либо не моё, либо трудно придумать «монахов и Big Bang Theory».

• Самолёт. Капитан советует «расслабиться и наслаждаться полётом». Как наслаждаться теснотой, турбулентностью и очередью в туалет?

• Люди делятся опытом, как научиться любить то, что раньше не нравилось: помидоры, натто, солёный лакриц, джаз, аниме, полёты.
• Ключевой метод — повторное, сознательное пробование: «съешьте каждый день неделю — и вкус изменится».
• Некоторые признают, что «вкус» часто — просто привычка или предрассудок; раскрывается, когда отделяешь вещь от окружающей субкультуры.
• Есть и обратная сторона: у одних хобби плодятся до стресса, другие вовсе не хотят ничего «приучать» себе нравиться.
• Итог: открытость к новому расширяет жизнь, но насильное «нравиться» не всем нужно.

RubyMine теперь бесплатен для некоммерческого использования

• Кому подходит: учёба, open-source, контент, хобби-проекты.
• Как получить: скачать RubyMine и выбрать «Non-commercial use».
• Коммерческое использование оплачивается по старой модели.

Почему?
JetBrains хочет снизить порог входа в Ruby и поддержать сообщество. Лицензия бесплатна, но включает анонимную телеметрию (только статистика функций).

• RubyMine считается «самым слабым» IDE от JetBrains из-за ограниченных возможностей самого Ruby.
• Тем не менее, у него лучший поиск, навигация и отладка по сравнению с ruby-lsp/VS Code, особенно при метапрограммировании.
• Бесплатная некоммерческая лицензия требует отправки анонимной статистики, что вызывает споры о «free as in freedom».
• AI-возможности уступают Cursor, но JetBrains-IDE всё равно предпочитают за стабильность и встроенный DataGrip.
• Некоторые видят в бесплатной лицензии попытку вернуть пользователей, ушедших к VS Code, и не считают это признаком «смерти Ruby».

Как сейчас выросли эмбеддинги и почему

Эмбеддинги — это плотные числовые векторы, которые заменяют тексты, картинки, звук для поиска, рекомендаций, RAG, классификации.
Раньше 200–300 измерений считались потолком: Word2Vec, GloVe, PCA — всё укладывалось в сотню мегабайт и давало приемлемое качество.

Что изменилось

1. BERT (2018) — 768 dim.
2. GPT-подобные — 768–1600 dim.
3. OpenAI text-embedding-ada-002 — 1536 dim.
4. text-embedding-3-large — 3072 dim (можно урезать до 256–1024 без потери, но по умолчанию большой).
5. Anthropic, Cohere, Jina, voyage — 1024–4096 dim.
6. Multimodal (CLIP, SigLIP) — 512–1024 на патч/токен, но стекуются до 8192+.
7. ColBERT, late-interaction — хранят вектор на каждый токен: 128×N токенов → десятки тысяч dim на документ.

Зачем столько

• Больше параметров модели → лучше передаёт тонкие семантические различия.
• GPU/TPU стали дешевле — обучить 4k-дим пачку на паре A100 проще, чем 5 лет назад 300-дим на CPU.
• Аппроксимация и сжатие (PQ, OPQ, HNSW, int8) позволяют хранить и искать в 4–16× экономнее, поэтому «жирный» вектор не болит.
• RAG-рейсы — продавцы API конкурируют качеством, а не объёмом: лучше отдать 3k dim, чем терять клиента.
• Масштабируемость векторных БД — Pinecone, Weaviate, Qdrant, PGvector умеют индексировать сотни миллионов 1k–4k векторов на одном ноде.

Итого

300 дим остались в учебниках. Пром-норма — 768–1536, новые модели — 2k–4k, а при late-interaction счёт идёт на сотни тысяч «виртуальных» измерений. Рост цены хранения компенсируется сжатием и железом; качество растёт быстрее, чем стоимость, поэтому векторы продолжат толстеть, пока не упрёмся в новый физический или экономический потолок.

• Размер эмбеддингов растёт (уже 4096-D и выше), потому что LLM учат их совместно с остальной сетью и получают «по бонусу» для внешних задач.
• Парадокс Джевонса: чем больше измерений доступно, тем активнее их используют, несмотря на убывающую отдачу.
• Для RAG и хостинга векторных БД растёт спрос на компактные модели (EmbeddingGemma, 300 M), чтобы сэкономить память и деньги.
• Абсолютное косинусное расстояние менее важно, чем порядок; при обучении под конкретный домен можно ужать размер без потери качества.
• «Похожесть» в эмбеддинге — это не всегда семантика: может учитываться синтаксис, формат или задача ранжирования.
• Эмбеддинги — это координаты в латентном пространстве трансформера; для чат-моделей они лишь первый шаг, а для специализированных моделей — финальный продукт.

Торонто под землёй

В центре Торонто сходятся две линии метро, восемь пригородных железных дорог, трамваи, автобусы и шоссе. Узкая прибрежная полоса ежедневно принимает сотни тысяч человек, и улицы буквально забиты.

Чтобы обойти пробки и зимнюю стужу, ещё в начале XX века компании начали прокладывать подземные переходы от офисов к станциям метро. К переходам быстро пристроились магазины; появился «сетевой эффект»: новые здания стремились присоединиться к уже существующим туннелям.

Так вырос Path — 30-километровая «пешеходная подземка», связывающая почти все центральные станции с крупными башнями. Сеть разбита на 35 участков, каждый по-прежнему принадлежит тому бизнесу, который её построил. Лобби небоскрёбов служат одновременно и вестибюлями метро, и город играет лишь роль слабого регулятора.

• Участники обсуждают обширные пешеходные сети в холодных городах: Toronto PATH, Montréal RESO, Calgary +15, Minneapolis Skyway, Chicago Pedway, Sapporo, Helsinki.
• Основная причина их появления — суровые зимы и непогода; в тёплых мегаполисах таких систем почти нет.
• Некоторые сети превратились в «тайные» города с магазинами, музеями, вузами и даже гонками на 5 км.
• После пандемии многие участки полупусты: закрыты витрины, падает аренда.
• Критика: туннели отвлекают внимание от улучшения уличной среды и могут быть результатом лобби автомобилистов.

Математики опровергли 90-летнее предположение: соединённый узел может распутываться быстрее, чем сумма «сложностей» его частей.

В теории узлов каждому узлу приписывают «число распутывания» — минимум разрезов и склеек, чтобы превратить его в петлю. Гипотеза Вендта (1937) утверждала, что для двух склеенных узлов это число равно сумме исходных.

Марк Бриттенхэм и Сьюзен Хермиллер из Университета Небраски взяли узел с числом 3, соединили его с зеркальным отображением и получили новый узел, который распутывается за 5 (а не ожидаемых 6) ходов.

Результат показывает, что наши меры сложности узлов несовершенны и могут влиять на понимание сворачивания ДНК и устойчивости молекул.

• Ученые нашли первый контрпример к гипотезе 1977 года: число «развязывающих» ходов при объединении двух узлов иногда меньше суммы их индивидуальных чисел.
• Пример требует всего 5 изменений перекрёстков, но перебор всё же нетривиален из-за комбинаторного взрыва.
• Результат опровергает пункт 1.69(B) из списка проблем Кирби и может пересмотреть ряд старых выводов в теории узлов.
• Участники отмечают, что задача казалась «очевидной», но 50 лет не находилось ни одного контрпримера, что подчёркивает её сложность.

Firefox 142: кратко о главном

• Firefox Relay — создаёт безопасные маски e-mail при регистрации, чтобы меньше спама и больше анонимности.
• Предпросмотр ссылок — долгое нажатие показывает миниатюру страницы до перехода.
• AI-группы вкладок — локальная модель сама собирает похожие вкладки и предлагает названия.
• Вертикальные вкладки — боковая панель убирает хаос и фокусирует внимание.
• Персонализация новой вкладки — обои, цвета или свои фото одним кликом.
• Группы вкладок вручную — перетащи одну на другую и всё в порядке.

• Пользователи спорят о полезности Link Preview: одни считают её медленной и бесполезной, другие — удобной для проверки сокращённых ссылок.
• Волнует приватность: превью может обращаться к сайту без блокировщиков и без предупреждения.
• На фоне новых AI-функций многие жалуются на старые проблемы: утечки памяти до 8 ГБ, потерю всех вкладок, «поломанный» поиск по странице.
• Часть аудитории разочарована отсутствием подробных changelog и просит сначала починить баги, а не добавлять фичи.
• Некоторые уже рассматривают Ladybird или Edge как альтернативу, но опасаются их недостатков.

GRiSP – три стека для запуска Erlang/Elixir на встраиваемых системах:

• GRiSP Metal – BEAM на RTEMS, 16 МБ ОЗУ, реальное время, прямой доступ к железу.
• GRiSP Alloy – BEAM на Buildroot-Linux RT, несколько VM, приоритеты и привязка к ядрам.
• GRiSP Forge – то же, но на Yocto, для долгих жизненных циклов и кастомных BSP.

GRiSP-io – облачная платформа для OTA-обновлений, мониторинга и масштабного управления устройствами.

Преимущества: открытый код, надёжность BEAM, минимальные задержки, масштабируемость от прототипа до флота.

GitHub | GRiSP.io

• Участники спорят, считать ли 16 МБ «MCU-классом»: традиционные микроконтроллеры имеют ≤1 МБ, но современные ESP32 и NXP i.MX 6UL уже выходят за эти рамки.
• GRISP — это BEAM-платформа поверх RTEMS для «мягкого» реального времени, в отличие от Nerves (BEAM на минимальном Linux).
• Пользователи отмечают удобство модели акторов и горячей замены кода, но сомневаются в приоритетах процессов и строгих гарантиях latency.
• Для устройств с КБ-объёмом памяти предложили AtomVM; 16 МБ пока выше среднего, но быстро дешевеет.
• На «железе» 90-х Erlang/Elixir запустится, если ОЗУ ≥16 МБ; сама BEAM требовала ещё меньше.

Next.js выводит из себя

Наконец-то написал пост: злость лучший мотиватор.
В $COMPANY упал сервис на Next.js, а логов в проде нет. Задача — добавить логирование.

Middleware
Дока обещает: «Middleware выполняется до рендера, удобно для логов».
Пробуем pino + AsyncLocalStorage:

// middleware.ts
export async function middleware(req: NextRequest) {
  LoggerStorage.enterWith(requestLogger());
  logger()?.debug({ url: req.url }, "start");
  return NextResponse.next();
}

Запускаем — логи летят в браузер. Почему? Runtime по умолчанию edge. Меняем на nodejs — в новом проекте работает, в боевом нет.

Страницы и layouts
Пишем в компоненте:

logger()?.info("from page");

Тишина. logger() возвращает null: рендер и middleware живут в разных async-контекстах.

Решение
Передаём requestId через заголовки:

// middleware.ts
const id = crypto.randomUUID();
loggerInstance.child({ requestId: id }).debug("start");
return NextResponse.next({ headers: { "x-request-id": id } });

// page.tsx
const id = headers().get("x-request-id");
loggerInstance.child({ requestId: id }).info("from page");

Итог: чтобы просто логировать, нужно городить костыли через заголовки.

• Пользователи жалуются на игнорирование сотен старых issue, перегруженность абстракциями и постоянные «канареечные» решения, которые не доходят до продакшена.
• Сообщество считает Next.js «самой худшей» технологией: сложно понять, где выполняется код, нельзя цепочкой middleware, а апи-шлюзы выглядят «как будто их писали выпускники буткемпа».
• Разработчики предлагают уходить на Remix, React Router v7, Nuxt, SolidStart, Deno Fresh или даже «чистый HTML/CSS» ради простоты и контроля.
• Представитель Vercel признаёт DX-проблемы и обещает улучшения, но многие уже мигрируют на Vite или Django/Rails/Phoenix.

CauseNet — проект по сбору всей человеческой причинной информации из веба и отделению знаний от убеждений.

Получено 11,6 млн причинных связей (точность ≈ 83 %) из полуструктурированных и неструктурированных источников. Построен первый крупный граф причинности открытого домена.

Данные

• CauseNet-Full — полный набор (11,6 млн связей, 12,2 млн понятий, 1,8 ГБ).
• CauseNet-Precision — высокоточная выборка (200 тыс. связей, 80 тыс. понятий, 135 МБ).
• CauseNet-Sample — мини-пример (264 связи, 524 понятия, 54 КБ).

Модель

Концепты соединяются отношениями «причина → следствие».
Каждая связь снабжена метаданными: источник, предложение, шаблон, временная метка и т.д.

Примеры

{
  "causal_relation": {
    "cause": {"concept": "smoking"},
    "effect": {"concept": "disability"}
  },
  "sources": [{
    "type": "clueweb12_sentence",
    "payload": {
      "sentence": "In Canada, smoking is the most important cause of preventable illness...",
      "path_pattern": "[[cause]]/N\t-nsubj\tcause/NN\t+nmod:of\t[[effect]]/N"
    }
  }]
}

Применение: ответы на причинные вопросы, аргументация, многошаговые выводы.

• Критики считают идею «базы всех причин» хрупкой и излишне упрощённой: примеры вроде «человеческая деятельность → изменение климата» слишком обобщены и бесполезны.
• Многие проводят параллель с провалом проекта Cyc и предупреждают о повторении тех же ошибок.
• Упрекают отсутствие неопределённости, контекста и механизмов: «болезнь → смерть» игнорирует вероятности, временные рамки и индивидуальные условия.
• Источник — Википедия — вызывает скепсис; в базе даже встречаются ложные связи («вакцины → аутизм»), что подрывает доверие.
• Пока не ясно, для чего это нужно: прогнозы, дообучение ИИ или просто каталог «что кто-то когда-то утверждал».