//текст DeepSeek 4.1 Flash 1017 в DHS. Картинка ChatGPT. Разработано лично для себя, но вижу потенциальную пользу большинству, поэтому и публикую free, дорабатывайте уже сами (если что-то важное нашли, пишите, обновлю архив спустя несколько улучшений), но и так норм.
Знакомая история: прикладываешь к диалогу docx со списком источников — DHS показывает его как обычный текст, и половина значений из таблиц исчезает. Или агент находит в интернете нужный PDF, открывает его и говорит «не могу прочитать». Выглядит как поломка модели, но модель тут ни при чём: у неё просто нет правильного инструмента.
Причина в том, что у DSH несколько разных путей для документов. Загрузка файла в чат превращает его в текстовый слой: таблица в docx — не абзацы, а отдельный объект, поэтому при конвертации в txt объединённые ячейки съезжают, а часть значений теряется. С PDF в интернете другая беда: просмотр страниц отдаёт текст HTML, но PDF — бинарный формат, который он не парсит. OCR «из коробки» тоже нет. В итоге модель умеет читать таблицы, но в контекст попадает каша.
Решение простое по идее: документ нужно не «загружать в чат», а конвертировать в рабочей папке в Markdown — и уже оттуда брать данные. Для этого и собран doc2md-kit : один конвертер, который разбирает docx и PDF структурно, а не «на глаз».
Что делает конвертер
Docx читается через python-docx: заголовки, списки (включая автонумерацию Word), жирность и курсив — в том числе заданные character styles, объединённые ячейки таблиц (HTML rowspan / colspan ), сноски и картинки. PDF читается через PyMuPDF: текстовый слой плюс настоящие таблицы ( find_tables ). Страницы без текстового слоя (сканы) рендерятся в PNG, которые модель смотрит через read_image — для таблиц это точнее классического OCR, потому что модель видит структуру, а не только символы.
На выходе — Markdown с YAML-шапкой: source , sha256 , converted_at . Это не украшение: любую цифру потом можно привязать к конкретному файлу и его версии. На реальных документах проверено: 91-страничный акт ЕАЭС с таблицами разбирается за 8 секунд и даёт 137 таблиц; учебник с CID-кодированным текстом читается без хаков; скан превращается в PNG и распознаётся моделью.
Что в архиве и как им пользоваться
В doc2md-kit лежит не один скрипт, а готовый комплект:
install.ps1 — находит Python из рантайма DSH, копирует инструменты в ~/.dsh/tools/doc2md , доустанавливает PyMuPDF, прописывает глобальное правило в ~/.dsh/AGENTS.md и прогоняет самопроверку на образцах;
uninstall.ps1 — аккуратно убирает всё обратно, не трогая остальной текст глобального AGENTS.md ;
tools/ — сам конвертер ( doc2md.py , docx_md.py ) и .cmd -запускалка;
sample/ — образцы: docx с таблицами, списками и объединёнными ячейками, PDF с рамками и «сканом», docx с таблицей-картинкой;
README.md — установка, опции, troubleshooting;
AGENT-SETUP.md — самодостаточное задание для ИИ-агента: развернуть комплект на новой машине, проверить и отчитаться;
MIGRATION.md — чек-лист для проекта, который переходит на doc2md со своих самописных скриптов;
article.md — эта статья.
Порядок простой: распаковать архив, запустить install.ps1 , открыть новую сессию DSH. После этого в любой рабочей папке агент видит глобальную инструкцию и конвертирует документы одной командой. Сам конвертер понимает не только docx и pdf, но и html, xlsx, csv и ссылки на документы; результат — .md , который читается постранично, без раздувания контекста.
//по логике вещей, просто кидаете архив в чат, просите ИИ сказать что там такое, безопасно ли, что он думает по этому поводу, потом он сам предложит как сделать правильно установку.
Какие возможности это даёт DSH
Документы становятся штатной возможностью агента. Не «повезло, что в сессии был нужный скрипт», а один инструмент во всех сессиях и папках: установил комплект — работает.
Таблицы, а не текст. Рамки, merged-ячейки, списки и выделения сохраняются; для таблиц без рамок есть осознанный флаг --table-strategy text , а не рискованная эвристика.
Сканы и таблицы-картинки читаются через зрение модели. Ни Tesseract, ни отдельный OCR ставить не нужно: страница/картинка рендерится в PNG, модель переносит её в Markdown.
Диагностика до конвертации. --diagnose показывает постранично: сколько знаков, есть ли картинки и таблицы, это текст или скан, и каков вердикт по файлу. Можно заранее выбрать стратегию, а не выяснять постфактум.
Повторяемость и провенанс. sha256 в каждой шапке, самопроверка установщика, AGENT-SETUP.md для развёртывания на другой машине — результат не зависит от того, кто и когда конвертировал.
Один инструмент вместо зоопарка скриптов. Агент перестаёт писать ad-hoc-экстракторы под каждый документ, а проект — хранить пять разных конвертеров с частично пересекающимися возможностями.
Насколько это лучше штатных методов
Если оценивать по десятибалльной шкале на реальных документах, штатные средства DSH — это примерно 3 из 10: текст они достают, но таблицы при загрузке в чат теряются, PDF с сайта не читается, а python-docx и LibreOffice Kit требуют писать отдельный скрипт под каждую задачу. Наш конвертер в тех же тестах — около 8,5 из 10 и порядка 85% покрытия реальных сценариев: docx с объединёнными ячейками, списками и character styles, PDF с рамками и без, сканы и таблицы-картинки через зрение модели, провенанс с sha256. По грубой оценке, на извлечении документов это экономит 70–90% времени: одна команда и глобальное правило вместо ad-hoc-кода в каждой сессии.
При этом 8,5, а не 10, — честно: конвертации нужен shell с полным доступом (в workspace-write PowerShell в DSH падает), PyMuPDF после пересоздания рантайма может потребоваться переустановить, извлечение таблиц остаётся best-effort — сложные шапки надо сверять с рендером страницы, а плохие сканы и рукописный текст это не OCR, а зрение модели. Поэтому разумная конфигурация — doc2md как основной путь, pandoc и python-docx как контрольные fallback: если DSH когда-нибудь начнёт поставлять собственные парсеры документов, часть слоя можно будет просто убрать.
Чего ждать не стоит: извлечение таблиц из PDF — best-effort. Сложные шапки иногда «плывут», и тогда страницу надо отрендерить и сверить глазами — конвертер специально оставляет PNG рядом с результатом. Числа, дозы и факты всё равно берутся только из первоисточника, а не из пересказа модели.
Если у вас DSH на Windows — распакуйте архив и запустите install.ps1 ; если машина новая и ставить должен агент — отдайте ему AGENT-SETUP.md . Дальше документы конвертируются одной командой, а не превращаются в txt с потерянными таблицами.
19 октября 2026 года китайская компания MiniMax представила M3.1 Flash — языковую модель для программирования, автоматизации рабочих процессов и ИИ-агентов. По заявлению разработчиков, скорость генерации выросла почти втрое, а стоимость выполнения агентных задач снизилась на 70% по сравнению с предшественником. Но насколько хорошо модель справляется с работой на практике?
Интерес к новинке возник ещё до официального релиза. В сентябре модель появилась на платформе OpenRouter под названием Space Bunny Alpha и некоторое время работала анонимно. MiniMax подтвердила, что это была ранняя версия M3.1 Flash, обработавшая более 200 триллионов токенов в ходе тестирования. По данным OpenRouter, обратная связь пользователей помогла разработчикам исправить ошибки и улучшить производительность.
Что показали бенчмарки
MiniMax опубликовала собственные результаты сравнительных тестов. Картина интересная: модель особенно сильна в автоматизации, но в программировании пока не обходит всех конкурентов.
Бенчмарк
M3.1 Flash
DeepSeek V4.1 Flash 1017
Automation-Bench — агентные задачи
62,8
60,5
DeepSWE v1.1 — программирование
73,7%
77,0%
Terminal Bench 4.0 — работа через терминал
38,1
42,3
Источник: сравнительная таблица MiniMax. Результаты зависят от методики и настроек тестирования.
В OSWorld V2, проверяющем способность управлять компьютером и выполнять задачи в приложениях, M3.1 Flash набрала 61,7 балла. Для сравнения, в таблице компании GPT-5.6 Sol получила 65,7, а Claude Opus 5 — 70,6.
В CyberGym, тесте возможностей обнаружения и проверки программных уязвимостей, разработчики заявляют результат 82%. Это хороший показатель, однако независимого подтверждения результатов именно финальной версии пока нет.
Скорость и стоимость
Заявленная цена API составляет $0,15 за миллион входных токенов и $0,60 за миллион выходных. Чтение кешированных входных токенов стоит $0,015 за миллион. Контекст модели достигает миллиона токенов, а на вход она принимает текст, изображения и видео.
MiniMax утверждает, что в обычной работе скорость генерации может превышать 200 токенов в секунду, а медианная скорость составляет более 170 токенов в секунду. Независимые измерения OpenRouter во время анонимного тестирования также фиксировали улучшение: скорость генерации выросла примерно с 70 до 100 токенов в секунду, а доля ошибок снизилась с 1,4% до 0,7%. Эти измерения относятся к периоду предварительного тестирования, а не к независимому испытанию финального релиза.
Модель уже доступна через API MiniMax, подписку M Plan и MiniMax Code. Согласно опубликованной информации, веса модели планируют открыть 23 октября.
Первые отзывы и ограничения
В обсуждениях Space Bunny и предварительной M3.1 Flash разработчики отмечали высокую скорость, полезность для агентных сценариев и хорошие результаты при создании интерфейсов и веб-приложений. Встречались и более сдержанные оценки: пользователи указывали на нестабильность в отдельных задачах и на то, что высокая скорость сама по себе не гарантирует качественного результата.
Пока это преимущественно индивидуальные впечатления от ранних версий. Полноценных независимых обзоров финального релиза и повторных сравнительных тестов ещё недостаточно, чтобы делать окончательные выводы.
M3.1 Flash выглядит перспективной недорогой моделью для тех, кто регулярно использует ИИ-агентов и автоматизирует разработку. Она не лидирует во всех тестах, но сочетание скорости, цены и результатов в агентных задачах делает её интересной альтернативой более дорогим моделям. Главный вопрос теперь — сохранится ли это преимущество на сложных реальных проектах.
судя по источникам, верить им нельзя, поставили глм выше дипсика, а условный 3д аквариум дипсик с первого промта написал, а глм и после 8 правок не выдала рабочий код... в общем Всё подвергай сомнению
PHP2Shell: ИИ вскрыл уязвимости в основе интернета. Что теперь изменится в кибербезопасности
//текст и обложка ChatGPT
//скажу вам, что шумиха в сети невероятная и спец.службы сразу разослали письма гос.сайтам.
Две критические уязвимости PHP заставили компании и государственные ведомства срочно обновлять серверы, а некоторые организации временно отключили сайты. Но главный вопрос не только в самих ошибках. ИИ начинает находить такие уязвимости, которые годами оставались нерешёнными, — и одновременно ускоряет работу потенциальных атакующих.
Что произошло
21 октября 2026 года команда PHP выпустила экстренные обновления, закрывающие две критические уязвимости: CVE-2026-109618 и CVE-2026-109619. Обе получили оценку 9,2 из 10 по CVSS 4.0.
Проблема находилась в самом движке PHP, который обрабатывает запросы, управляет памятью и восстанавливается после ошибок. При определённых условиях специально сформированный HTTP-запрос мог вызвать повреждение внутреннего состояния памяти и позволить злоумышленнику выполнять команды на сервере без авторизации. Другой возможный сценарий — чтение чувствительных данных из памяти, включая токены и пароли.
Это не просто очередная ошибка WordPress. PHP используется в основе WordPress, Drupal, Joomla и множества других систем. Поэтому уязвимость затрагивала серверы с PHP независимо от того, какая CMS или веб-приложение на них установлены. Wiz оценивает долю сайтов, использующих PHP, примерно в 70% среди ресурсов с определённым серверным языком.
Исправления вышли для поддерживаемых веток PHP: 8.5.12, 8.4.27, 8.3.36 и 8.2.35. Владельцам старых версий необходимо отдельно проверить, доступны ли исправления у их поставщика или хостинг-провайдера.
Причём здесь искусственный интеллект
Самое интересное началось ещё до публикации исправлений. Корневая проблема с обработкой памяти была замечена разработчиками PHP ещё в 2024 году. Однако превратить её в убедительно продемонстрированную цепочку удалённой эксплуатации оказалось чрезвычайно сложно. Исправление также требовало решения непростых вопросов совместимости со старым кодом.
В 2026 году исследователи Calif при помощи GPT-5.6 Sol и команда Wiz независимо исследовали ошибки и продемонстрировали их серьёзность. OpenAI, Google и другие участники также описывали вклад своих моделей и инструментов в поиск, разработку эксплойтов и проверку исправлений. При этом решение о выпуске патчей и сама работа над движком оставались за людьми.
ИИ здесь не создал новую уязвимость. Он снизил стоимость поиска ошибки и доказательства того, как её можно использовать на практике.
Атаки уже начались?
По данным Amazon Web Services, попытку эксплуатации PHP2Shell обнаружили в системе-наживке ещё 17 октября — за четыре дня до официального раскрытия. AWS не смогла подтвердить, что та попытка привела к успешному взлому. После публикации информации о проблеме компания зафиксировала новые попытки, а Cloudflare сообщила о росте их числа до миллионов.
Важно не путать попытки атак с количеством успешно взломанных серверов: достоверной цифры подтверждённых компрометаций из этих сообщений не следует. Тем не менее инцидент показал неприятную реальность: у защитников может почти не остаться времени между раскрытием уязвимости и появлением работающих инструментов для атак.
PHP — только начало?
Похоже, нынешняя история действительно является частью более масштабного процесса. OpenAI прямо заявляет, что PHP-уязвимости — лишь некоторые из нескольких серьёзных проблем, обнаруженных её исследователями, и ожидает существенного роста подобных находок в ближайшие месяцы.
У Anthropic есть собственная публичная статистика: по состоянию на 2 октября 2026 года компания сообщала о 6 157 находках в 591 проекте с открытым исходным кодом, переданных сопровождающим проектов. В качестве исправленных были отмечены 516. Это не означает, что все находки критические или одинаково проверенные: среди них есть проблемы разной серьёзности, а проверка и исправление требуют участия специалистов.
Здесь возникает парадокс. ИИ даёт защитникам возможность быстрее проверять огромные объёмы кода, но те же возможности постепенно становятся доступны атакующим. Чем дешевле становится анализ чужого ПО, тем труднее рассчитывать на то, что никому не удастся обнаружить старую ошибку.
Что это меняет
Во-первых, критические обновления интернет-сервисов придётся устанавливать быстрее: иногда речь будет идти не о неделях, а о часах. Во-вторых, ответственность за безопасность нельзя перекладывать только на разработчиков конкретного сайта — необходимо следить за движком, библиотеками, контейнерами и компонентами, которые поставляются вместе с продуктом. Наконец, растёт значение финансирования команд, которые сопровождают фундаментальные компоненты открытого ПО: найти ошибку недостаточно, её ещё нужно качественно исправить и распространить обновление.
Главный вывод: PHP2Shell — не доказательство того, что ИИ вот-вот обрушит интернет. Это демонстрация того, что прежняя модель безопасности меняется. Ошибки, которые годами оставались теоретическими, теперь могут гораздо быстрее превращаться в практически применимые эксплойты. Следующая крупная проблема может обнаружиться не потому, что программисты внезапно стали хуже писать код, а потому, что машины научились гораздо быстрее искать то, что раньше было слишком дорого или сложно найти.
С нуля до джуна в эпоху ИИ: как устроен курс, который запускается в DSH
//Текст, обложка, разработка DeepSeek Harness на базе DS Flash v4.1 1017
//Мои затраты на создание курса в несколько заходов с пустого проекта: 1 час работы ИИ, 15 субагентов, 75 млн токенов. Эксперимент делал для себя, хочу пройти курс. Делюсь со всеми. Для ленивых, кто не хочет проходить практику доступен режим "за ручку", т.е. после теории на этапе практики надо просто повторять за ИИ-наставником. Этот новый подход "операционная система обучения" может быть удачным, а может и нет.
Короткий ответ: это не видео-курс и не набор промптов. Это папка с планом, 38 модулями и ИИ-наставником, который ведёт вас от нуля к уровню джуна: задаёт вопросы, проверяет понимание, требует доказательств и не даёт «прокликать» материал. Скачайте ZIP, откройте папку в DSH, вставьте промпт из этой статьи — и начните.
Проблема: джунов до сих пор учат так, будто ИИ не существует
Индустрия обсуждает «мясных прокси» (meat-proxy) и «архитекторов ИИ-эры», но большинство курсов отвечают на это одинаково: «изучи ChatGPT, Cursor и пару фреймворков». Через полгода инструменты меняются, а курс устаревает вместе с ними.
При этом спрос сместился не туда, куда кажется. Код генерируется всё быстрее — значит, дорожает не написание кода, а то, что вокруг него:
постановка задачи: превратить «хотелку» в проверяемые критерии;
проверка: доказать, что сгенерированное работает, а не «выглядит работающим»;
интеграция: встроить результат в систему с данными, сетью, отказами и безопасностью;
ответственность: понять, что сломается, как это заметить и что дешевле переделать.
Без фундамента эти пункты превращаются в веру. Нельзя проверить SQL-запрос, не понимая индексов; нельзя найти гонку, не понимая конкурентности; нельзя отревьюить ИИ-код, если не умеешь читать диффы и писать тесты, которые падают.
Что внутри: 7 фаз, 38 модулей и параллельная практика
Курс собран как личная система обучения, а не как набор лекций.
Фаза
Часы
Что даёт
0. Ориентация
11
Диагностика, инструменты, трек, календарь
1. Фундамент
78
Код, память, сети, ОС, базы данных, конкурентность, безопасность, тесты
Требования, паттерны, API, надёжность, доставка и откат, инциденты, design doc и ADR
4. Продукт и команда
22
Бизнес → техника, домен, коммуникация и ревью
5. Практика
60
Три проекта-артефакта и портфолио
6. Карьера
16
Рынок 2026, найм, личная система знаний и перепроверки
Отдельно добавлены три темы, без которых джун «проваливается» в первые месяцы работы: чтение и рефакторинг чужого кода (фаза 2), доставка: деплой, миграции, откат и feature flags, инциденты, runbook и постмортемы (фаза 3). Ядро — ~333 часа. Для старта с нуля прилагается параллельный трек по одному языку (~100–150 часов): программа Python (или TypeScript), мини-проекты к каждой фазе и гейты готовности. Полный путь с нуля — ~430–480 часов: примерно 9–12 месяцев при 10–12 часах в неделю. Это честная оценка, а не обещание оффера.
Как проходит обучение
«Движок» курса — контракт наставника, файл agent.md . Он определяет:
Протокол сессии: повторение по прошлым темам → теория порциями → проверка понимания вопросами → практика → самопроверка → запись в журнал. 60–90 минут.
Шкалу mastery 0–4: оценка ставится только по доказательству — тесту, разбору, документу, защите решения. «Прочитал» не считается.
Запреты для ИИ: не решать задачи за студента, не давать готовый код до попытки, не верить сгенерированному без проверки.
Повторение: через 1-3-7-21 день, с записью в трекер прогресса.
Чек-поинты: после фаз — экзамен, эталонный кейс, защита design doc, портфолио (обязательны только в «полном» режиме).
Режимы прохождения: M1 «за ручку» (показывает шаг за шагом), M2 «проверяющий» (вы делаете, он проверяет), M3 «только теория» (без экзаменов, практика откладывается), M4 «полный протокол» (с экзаменами и портфолио). Режим можно менять в любой момент, а практику — «дозакрыть» позже. Курс подстраивается под опыт, время и цель, а не наоборот.
Прогресс живёт в обычных Markdown-файлах: progress/progress.md и progress/journal/ . Никакого вендор-лока: всё можно открыть, прочитать и поправить.
Отдельный контур — перепроверка материалов. У каждого файла есть дата следующей проверки. Модули — раз в 90 дней, срез рынка — раз в 30, полный аудит — раз в квартал. Есть очередь проверки, чек-лист и три скрипта, которые находят просроченные материалы, битые ссылки и расхождения с планом. Курс честно показывает статусы: «черновик, структурно проверен, факт-чек впереди». Это не баг, а принцип: любые материалы и любые ответы ИИ устаревают, и это нужно уметь замечать.
Почему это не «ещё один курс по промптам»
Фундамент первичен. Половина программы — то, что ИИ за вас не выучит: память, сети, данные, конкурентность, безопасность, тесты.
Проверка — отдельный навык. В каждом модуле есть задания «найди ошибку» и «ИИ-угол»: где ИИ полезен, а где его результат нужно доказывать.
Курс учит учиться. Модули 00-02 и 06-03 — про то, как учиться с ИИ, не отдавая ему мышление, и как поддерживать знания актуальными.
Материалы открыты. План, модули, протокол и правила — обычные файлы, лицензия MIT. Можно менять под себя, но протокол проверки сохраняется.
Видно, что учить первым. У каждой темы есть оценка важности и актуальности на 5 лет, а также «помощь ИИ» — где модель реально не заменит и нужен собственный навык ( docs/topic-ratings.md ).
Как запустить у себя (3 шага)
Распакуйте архив в папку (например, C:\courses\dsh-course-junior-ai-2026 ).
Откройте папку в DSH как рабочее пространство (workspace). DSH подхватит AGENTS.md и передаст агенту правила проекта.
Создайте новый чат и вставьте промпт:
Ты — мой ИИ-наставник по курсу «Джун ИИ-эры 2026». Начинаем обучение с нуля до джуна. Прочитай целиком: START-HERE.md, agent.md, PLAN.md, docs/learning-modes.md, docs/topic-ratings.md, docs/zero-to-code.md, README.md, progress/progress.md. Работай строго по agent.md: режимы M1–M4, протокол сессий, mastery 0–4 только по доказательствам, не решай мои учебные задачи и не давай готовый код до моей попытки. Перед первым прохождением модуля проверь его по review/checklist.md (статус draft), обнови даты и переведи в active с записью в review/review-log.md. Сначала задай 5 коротких калибровочных вопросов (часы, опыт, цель, трек, ограничения) и один вопрос про режим: M1 «за ручку», M2 «проверяющий», M3 «только теория», M4 «полный протокол». Запиши ответы в progress/diagnostics/baseline.md как черновик. Затем начни модуль 00-01; полную диагностику 00-04 проведём после 00-02 и 00-03. После каждой сессии обновляй progress/progress.md и progress/journal/ (с режимом и долгом практики). Отвечай по-русски, коротко и по делу. Сначала подтверди, что прочитал agent.md, и задай вопросы.
Не знаете, какой режим выбрать? Скажите «предложи режим» — наставник порекомендует по опыту и доступному времени. Передумать можно в любой момент: «давай в M2», «хочу только теорию», «пропусти этот модуль».
Дальше наставник сам проведёт диагностику, поможет выбрать темп и трек и начнёт модуль 00-01 — разбор того, как меняется профессия и какие тезисы о «джунах ИИ-эры» верны, а какие — гипотезы.
Внешний платный API не обязателен. В DSH роль модели в упражнениях выполняет сам наставник: попросить его сгенерировать код, объяснить ошибку или дать ревью — это и есть работа с моделью. Для проектов, где нужен отдельный API, в материалах описаны бесплатные и локальные варианты, а также режим детерминированной заглушки с evals.
Для читателей из РФ — отдельное уточнение. Курс не требует Cursor, Claude Code, Codex или зарубежных API. Минимальный набор: DSH + VS Code + Git (и Python для практики). Если сервис недоступен или требует зарубежную карту — это не блокер: задания выполнимы в DSH, а альтернативы (локальные модели, бесплатные варианты, локальный CI вместо внешнего) собраны в docs/tools-rf.md внутри архива. Доступность сервисов меняется — проверяйте на дату.
Кому подходит — и кому нет
Подходит, если вы:
хотите войти в IT или вырасти до уверенного джуна и готовы учиться регулярно;
хотите понимать, что делает ИИ, а не просто нажимать «принять»;
готовы писать код руками, отвечать на вопросы и вести журнал прогресса;
любите учиться в своём темпе: за ручку (M1), с проверкой (M2), только теорией (M3) или по-серьёзному (M4) — режим можно менять на ходу.
Не подходит, если вы:
ищете «джун за 3 месяца без усилий» или готовые ответы на домашние задания;
не готовы выделять хотя бы 8–10 часов в неделю;
хотите только промпты без фундамента — в курсе это осознанно не главное.
Честные ограничения
Это не гарантия трудоустройства: рынок конкурентный, оффер зависит от региона, портфолио, коммуникации и удачи.
Материалы созданы с помощью ИИ-авторов по единой спецификации и проходят проверку: у файлов есть статусы и дата следующей перепроверки. Возможны ошибки — поэтому в курсе есть очередь проверки и чек-лист, а не «истина в последней инстанции».
Для старта с нуля нужна дисциплина: ~430–480 часов — это реальный объём, а не маркетинговая цифра.
Курс оптимизирован под DSH, но файлы открытые: при желании можно проходить вручную или с другим агентом, который умеет читать инструкции.
Что дальше
Скачайте архив, откройте его в DSH и вставьте промпт выше. Первая сессия займёт 60–90 минут: диагностика, календарь и модуль 00-01. Дальше — по фазам, с проверками и практикой.
Если захотите — расскажите, что получилось и что оказалось самым полезным. Курс задуман как живая система: его можно улучшать по мере прохождения, а не «законсервировать» после публикации.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
DeepSeek V4.1 Flash-1017: большой скачок в агентных задачах
В код арене сразу после Qwen 3.8 Max. Проще говоря, все остальные китайские модели на данный момент позади.
Как заставить DHS правильно читать PDF и Docx
//текст DeepSeek 4.1 Flash 1017 в DHS. Картинка ChatGPT. Разработано лично для себя, но вижу потенциальную пользу большинству, поэтому и публикую free, дорабатывайте уже сами (если что-то важное нашли, пишите, обновлю архив спустя несколько улучшений), но и так норм.
Знакомая история: прикладываешь к диалогу docx со списком источников — DHS показывает его как обычный текст, и половина значений из таблиц исчезает. Или агент находит в интернете нужный PDF, открывает его и говорит «не могу прочитать». Выглядит как поломка модели, но модель тут ни при чём: у неё просто нет правильного инструмента.
Причина в том, что у DSH несколько разных путей для документов. Загрузка файла в чат превращает его в текстовый слой: таблица в docx — не абзацы, а отдельный объект, поэтому при конвертации в txt объединённые ячейки съезжают, а часть значений теряется. С PDF в интернете другая беда: просмотр страниц отдаёт текст HTML, но PDF — бинарный формат, который он не парсит. OCR «из коробки» тоже нет. В итоге модель умеет читать таблицы, но в контекст попадает каша.
Решение простое по идее: документ нужно не «загружать в чат», а конвертировать в рабочей папке в Markdown — и уже оттуда брать данные. Для этого и собран doc2md-kit : один конвертер, который разбирает docx и PDF структурно, а не «на глаз».
Что делает конвертер
Docx читается через python-docx: заголовки, списки (включая автонумерацию Word), жирность и курсив — в том числе заданные character styles, объединённые ячейки таблиц (HTML rowspan / colspan ), сноски и картинки. PDF читается через PyMuPDF: текстовый слой плюс настоящие таблицы ( find_tables ). Страницы без текстового слоя (сканы) рендерятся в PNG, которые модель смотрит через read_image — для таблиц это точнее классического OCR, потому что модель видит структуру, а не только символы.
На выходе — Markdown с YAML-шапкой: source , sha256 , converted_at . Это не украшение: любую цифру потом можно привязать к конкретному файлу и его версии. На реальных документах проверено: 91-страничный акт ЕАЭС с таблицами разбирается за 8 секунд и даёт 137 таблиц; учебник с CID-кодированным текстом читается без хаков; скан превращается в PNG и распознаётся моделью.
Что в архиве и как им пользоваться
В doc2md-kit лежит не один скрипт, а готовый комплект:
Порядок простой: распаковать архив, запустить install.ps1 , открыть новую сессию DSH. После этого в любой рабочей папке агент видит глобальную инструкцию и конвертирует документы одной командой. Сам конвертер понимает не только docx и pdf, но и html, xlsx, csv и ссылки на документы; результат — .md , который читается постранично, без раздувания контекста.
//по логике вещей, просто кидаете архив в чат, просите ИИ сказать что там такое, безопасно ли, что он думает по этому поводу, потом он сам предложит как сделать правильно установку.
Какие возможности это даёт DSH
Насколько это лучше штатных методов
Если оценивать по десятибалльной шкале на реальных документах, штатные средства DSH — это примерно 3 из 10: текст они достают, но таблицы при загрузке в чат теряются, PDF с сайта не читается, а python-docx и LibreOffice Kit требуют писать отдельный скрипт под каждую задачу. Наш конвертер в тех же тестах — около 8,5 из 10 и порядка 85% покрытия реальных сценариев: docx с объединёнными ячейками, списками и character styles, PDF с рамками и без, сканы и таблицы-картинки через зрение модели, провенанс с sha256. По грубой оценке, на извлечении документов это экономит 70–90% времени: одна команда и глобальное правило вместо ad-hoc-кода в каждой сессии.
При этом 8,5, а не 10, — честно: конвертации нужен shell с полным доступом (в workspace-write PowerShell в DSH падает), PyMuPDF после пересоздания рантайма может потребоваться переустановить, извлечение таблиц остаётся best-effort — сложные шапки надо сверять с рендером страницы, а плохие сканы и рукописный текст это не OCR, а зрение модели. Поэтому разумная конфигурация — doc2md как основной путь, pandoc и python-docx как контрольные fallback: если DSH когда-нибудь начнёт поставлять собственные парсеры документов, часть слоя можно будет просто убрать.
Чего ждать не стоит: извлечение таблиц из PDF — best-effort. Сложные шапки иногда «плывут», и тогда страницу надо отрендерить и сверить глазами — конвертер специально оставляет PNG рядом с результатом. Числа, дозы и факты всё равно берутся только из первоисточника, а не из пересказа модели.
Если у вас DSH на Windows — распакуйте архив и запустите install.ps1 ; если машина новая и ставить должен агент — отдайте ему AGENT-SETUP.md . Дальше документы конвертируются одной командой, а не превращаются в txt с потерянными таблицами.
MiniMax M3.1 Flash: почти втрое быстрее и дешевле
//текст и обложка ChatGPT
19 октября 2026 года китайская компания MiniMax представила M3.1 Flash — языковую модель для программирования, автоматизации рабочих процессов и ИИ-агентов. По заявлению разработчиков, скорость генерации выросла почти втрое, а стоимость выполнения агентных задач снизилась на 70% по сравнению с предшественником. Но насколько хорошо модель справляется с работой на практике?
Интерес к новинке возник ещё до официального релиза. В сентябре модель появилась на платформе OpenRouter под названием Space Bunny Alpha и некоторое время работала анонимно. MiniMax подтвердила, что это была ранняя версия M3.1 Flash, обработавшая более 200 триллионов токенов в ходе тестирования. По данным OpenRouter, обратная связь пользователей помогла разработчикам исправить ошибки и улучшить производительность.
Что показали бенчмарки
MiniMax опубликовала собственные результаты сравнительных тестов. Картина интересная: модель особенно сильна в автоматизации, но в программировании пока не обходит всех конкурентов.
Источник: сравнительная таблица MiniMax. Результаты зависят от методики и настроек тестирования.
В OSWorld V2, проверяющем способность управлять компьютером и выполнять задачи в приложениях, M3.1 Flash набрала 61,7 балла. Для сравнения, в таблице компании GPT-5.6 Sol получила 65,7, а Claude Opus 5 — 70,6.
В CyberGym, тесте возможностей обнаружения и проверки программных уязвимостей, разработчики заявляют результат 82%. Это хороший показатель, однако независимого подтверждения результатов именно финальной версии пока нет.
Скорость и стоимость
Заявленная цена API составляет $0,15 за миллион входных токенов и $0,60 за миллион выходных. Чтение кешированных входных токенов стоит $0,015 за миллион. Контекст модели достигает миллиона токенов, а на вход она принимает текст, изображения и видео.
MiniMax утверждает, что в обычной работе скорость генерации может превышать 200 токенов в секунду, а медианная скорость составляет более 170 токенов в секунду. Независимые измерения OpenRouter во время анонимного тестирования также фиксировали улучшение: скорость генерации выросла примерно с 70 до 100 токенов в секунду, а доля ошибок снизилась с 1,4% до 0,7%. Эти измерения относятся к периоду предварительного тестирования, а не к независимому испытанию финального релиза.
Модель уже доступна через API MiniMax, подписку M Plan и MiniMax Code. Согласно опубликованной информации, веса модели планируют открыть 23 октября.
Первые отзывы и ограничения
В обсуждениях Space Bunny и предварительной M3.1 Flash разработчики отмечали высокую скорость, полезность для агентных сценариев и хорошие результаты при создании интерфейсов и веб-приложений. Встречались и более сдержанные оценки: пользователи указывали на нестабильность в отдельных задачах и на то, что высокая скорость сама по себе не гарантирует качественного результата.
Пока это преимущественно индивидуальные впечатления от ранних версий. Полноценных независимых обзоров финального релиза и повторных сравнительных тестов ещё недостаточно, чтобы делать окончательные выводы.
M3.1 Flash выглядит перспективной недорогой моделью для тех, кто регулярно использует ИИ-агентов и автоматизирует разработку. Она не лидирует во всех тестах, но сочетание скорости, цены и результатов в агентных задачах делает её интересной альтернативой более дорогим моделям. Главный вопрос теперь — сохранится ли это преимущество на сложных реальных проектах.
Источники
Официальный анонс MiniMax M3.1 Flash
//в код арене не выдающийся результат
Разное. Миджорни
поставили глм выше дипсика
Там ещё не последнее обновление DeepSeek. Последнее реально обгоняет все китайские ИИ в коде, кроме Qwen 3.8 Max
PHP2Shell: ИИ вскрыл уязвимости в основе интернета. Что теперь изменится в кибербезопасности
//текст и обложка ChatGPT
//скажу вам, что шумиха в сети невероятная и спец.службы сразу разослали письма гос.сайтам.
Две критические уязвимости PHP заставили компании и государственные ведомства срочно обновлять серверы, а некоторые организации временно отключили сайты. Но главный вопрос не только в самих ошибках. ИИ начинает находить такие уязвимости, которые годами оставались нерешёнными, — и одновременно ускоряет работу потенциальных атакующих.
Что произошло
21 октября 2026 года команда PHP выпустила экстренные обновления, закрывающие две критические уязвимости: CVE-2026-109618 и CVE-2026-109619. Обе получили оценку 9,2 из 10 по CVSS 4.0.
Проблема находилась в самом движке PHP, который обрабатывает запросы, управляет памятью и восстанавливается после ошибок. При определённых условиях специально сформированный HTTP-запрос мог вызвать повреждение внутреннего состояния памяти и позволить злоумышленнику выполнять команды на сервере без авторизации. Другой возможный сценарий — чтение чувствительных данных из памяти, включая токены и пароли.
Это не просто очередная ошибка WordPress. PHP используется в основе WordPress, Drupal, Joomla и множества других систем. Поэтому уязвимость затрагивала серверы с PHP независимо от того, какая CMS или веб-приложение на них установлены. Wiz оценивает долю сайтов, использующих PHP, примерно в 70% среди ресурсов с определённым серверным языком.
Исправления вышли для поддерживаемых веток PHP: 8.5.12, 8.4.27, 8.3.36 и 8.2.35. Владельцам старых версий необходимо отдельно проверить, доступны ли исправления у их поставщика или хостинг-провайдера.
Причём здесь искусственный интеллект
Самое интересное началось ещё до публикации исправлений. Корневая проблема с обработкой памяти была замечена разработчиками PHP ещё в 2024 году. Однако превратить её в убедительно продемонстрированную цепочку удалённой эксплуатации оказалось чрезвычайно сложно. Исправление также требовало решения непростых вопросов совместимости со старым кодом.
В 2026 году исследователи Calif при помощи GPT-5.6 Sol и команда Wiz независимо исследовали ошибки и продемонстрировали их серьёзность. OpenAI, Google и другие участники также описывали вклад своих моделей и инструментов в поиск, разработку эксплойтов и проверку исправлений. При этом решение о выпуске патчей и сама работа над движком оставались за людьми.
ИИ здесь не создал новую уязвимость. Он снизил стоимость поиска ошибки и доказательства того, как её можно использовать на практике.
Атаки уже начались?
По данным Amazon Web Services, попытку эксплуатации PHP2Shell обнаружили в системе-наживке ещё 17 октября — за четыре дня до официального раскрытия. AWS не смогла подтвердить, что та попытка привела к успешному взлому. После публикации информации о проблеме компания зафиксировала новые попытки, а Cloudflare сообщила о росте их числа до миллионов.
Важно не путать попытки атак с количеством успешно взломанных серверов: достоверной цифры подтверждённых компрометаций из этих сообщений не следует. Тем не менее инцидент показал неприятную реальность: у защитников может почти не остаться времени между раскрытием уязвимости и появлением работающих инструментов для атак.
PHP — только начало?
Похоже, нынешняя история действительно является частью более масштабного процесса. OpenAI прямо заявляет, что PHP-уязвимости — лишь некоторые из нескольких серьёзных проблем, обнаруженных её исследователями, и ожидает существенного роста подобных находок в ближайшие месяцы.
У Anthropic есть собственная публичная статистика: по состоянию на 2 октября 2026 года компания сообщала о 6 157 находках в 591 проекте с открытым исходным кодом, переданных сопровождающим проектов. В качестве исправленных были отмечены 516. Это не означает, что все находки критические или одинаково проверенные: среди них есть проблемы разной серьёзности, а проверка и исправление требуют участия специалистов.
Здесь возникает парадокс. ИИ даёт защитникам возможность быстрее проверять огромные объёмы кода, но те же возможности постепенно становятся доступны атакующим. Чем дешевле становится анализ чужого ПО, тем труднее рассчитывать на то, что никому не удастся обнаружить старую ошибку.
Что это меняет
Во-первых, критические обновления интернет-сервисов придётся устанавливать быстрее: иногда речь будет идти не о неделях, а о часах. Во-вторых, ответственность за безопасность нельзя перекладывать только на разработчиков конкретного сайта — необходимо следить за движком, библиотеками, контейнерами и компонентами, которые поставляются вместе с продуктом. Наконец, растёт значение финансирования команд, которые сопровождают фундаментальные компоненты открытого ПО: найти ошибку недостаточно, её ещё нужно качественно исправить и распространить обновление.
Главный вывод: PHP2Shell — не доказательство того, что ИИ вот-вот обрушит интернет. Это демонстрация того, что прежняя модель безопасности меняется. Ошибки, которые годами оставались теоретическими, теперь могут гораздо быстрее превращаться в практически применимые эксплойты. Следующая крупная проблема может обнаружиться не потому, что программисты внезапно стали хуже писать код, а потому, что машины научились гораздо быстрее искать то, что раньше было слишком дорого или сложно найти.
Источники
PHP — официальный архив обновлений безопасности
OpenAI — Patch the Planet и координация устранения критических уязвимостей
Anthropic — публичная статистика обнаруженных уязвимостей
и другие
Разное. Миджорни
С нуля до джуна в эпоху ИИ: как устроен курс, который запускается в DSH
//Текст, обложка, разработка DeepSeek Harness на базе DS Flash v4.1 1017
//Мои затраты на создание курса в несколько заходов с пустого проекта: 1 час работы ИИ, 15 субагентов, 75 млн токенов. Эксперимент делал для себя, хочу пройти курс. Делюсь со всеми. Для ленивых, кто не хочет проходить практику доступен режим "за ручку", т.е. после теории на этапе практики надо просто повторять за ИИ-наставником. Этот новый подход "операционная система обучения" может быть удачным, а может и нет.
Короткий ответ: это не видео-курс и не набор промптов. Это папка с планом, 38 модулями и ИИ-наставником, который ведёт вас от нуля к уровню джуна: задаёт вопросы, проверяет понимание, требует доказательств и не даёт «прокликать» материал. Скачайте ZIP, откройте папку в DSH, вставьте промпт из этой статьи — и начните.
Проблема: джунов до сих пор учат так, будто ИИ не существует
Индустрия обсуждает «мясных прокси» (meat-proxy) и «архитекторов ИИ-эры», но большинство курсов отвечают на это одинаково: «изучи ChatGPT, Cursor и пару фреймворков». Через полгода инструменты меняются, а курс устаревает вместе с ними.
При этом спрос сместился не туда, куда кажется. Код генерируется всё быстрее — значит, дорожает не написание кода, а то, что вокруг него:
Без фундамента эти пункты превращаются в веру. Нельзя проверить SQL-запрос, не понимая индексов; нельзя найти гонку, не понимая конкурентности; нельзя отревьюить ИИ-код, если не умеешь читать диффы и писать тесты, которые падают.
Что внутри: 7 фаз, 38 модулей и параллельная практика
Курс собран как личная система обучения, а не как набор лекций.
Отдельно добавлены три темы, без которых джун «проваливается» в первые месяцы работы: чтение и рефакторинг чужого кода (фаза 2), доставка: деплой, миграции, откат и feature flags, инциденты, runbook и постмортемы (фаза 3). Ядро — ~333 часа. Для старта с нуля прилагается параллельный трек по одному языку (~100–150 часов): программа Python (или TypeScript), мини-проекты к каждой фазе и гейты готовности. Полный путь с нуля — ~430–480 часов: примерно 9–12 месяцев при 10–12 часах в неделю. Это честная оценка, а не обещание оффера.
Как проходит обучение
«Движок» курса — контракт наставника, файл agent.md . Он определяет:
Прогресс живёт в обычных Markdown-файлах: progress/progress.md и progress/journal/ . Никакого вендор-лока: всё можно открыть, прочитать и поправить.
Отдельный контур — перепроверка материалов. У каждого файла есть дата следующей проверки. Модули — раз в 90 дней, срез рынка — раз в 30, полный аудит — раз в квартал. Есть очередь проверки, чек-лист и три скрипта, которые находят просроченные материалы, битые ссылки и расхождения с планом. Курс честно показывает статусы: «черновик, структурно проверен, факт-чек впереди». Это не баг, а принцип: любые материалы и любые ответы ИИ устаревают, и это нужно уметь замечать.
Почему это не «ещё один курс по промптам»
Как запустить у себя (3 шага)
Ты — мой ИИ-наставник по курсу «Джун ИИ-эры 2026». Начинаем обучение с нуля до джуна. Прочитай целиком: START-HERE.md, agent.md, PLAN.md, docs/learning-modes.md, docs/topic-ratings.md, docs/zero-to-code.md, README.md, progress/progress.md. Работай строго по agent.md: режимы M1–M4, протокол сессий, mastery 0–4 только по доказательствам, не решай мои учебные задачи и не давай готовый код до моей попытки. Перед первым прохождением модуля проверь его по review/checklist.md (статус draft), обнови даты и переведи в active с записью в review/review-log.md. Сначала задай 5 коротких калибровочных вопросов (часы, опыт, цель, трек, ограничения) и один вопрос про режим: M1 «за ручку», M2 «проверяющий», M3 «только теория», M4 «полный протокол». Запиши ответы в progress/diagnostics/baseline.md как черновик. Затем начни модуль 00-01; полную диагностику 00-04 проведём после 00-02 и 00-03. После каждой сессии обновляй progress/progress.md и progress/journal/ (с режимом и долгом практики). Отвечай по-русски, коротко и по делу. Сначала подтверди, что прочитал agent.md, и задай вопросы.
Не знаете, какой режим выбрать? Скажите «предложи режим» — наставник порекомендует по опыту и доступному времени. Передумать можно в любой момент: «давай в M2», «хочу только теорию», «пропусти этот модуль».
Дальше наставник сам проведёт диагностику, поможет выбрать темп и трек и начнёт модуль 00-01 — разбор того, как меняется профессия и какие тезисы о «джунах ИИ-эры» верны, а какие — гипотезы.
Внешний платный API не обязателен. В DSH роль модели в упражнениях выполняет сам наставник: попросить его сгенерировать код, объяснить ошибку или дать ревью — это и есть работа с моделью. Для проектов, где нужен отдельный API, в материалах описаны бесплатные и локальные варианты, а также режим детерминированной заглушки с evals.
Для читателей из РФ — отдельное уточнение. Курс не требует Cursor, Claude Code, Codex или зарубежных API. Минимальный набор: DSH + VS Code + Git (и Python для практики). Если сервис недоступен или требует зарубежную карту — это не блокер: задания выполнимы в DSH, а альтернативы (локальные модели, бесплатные варианты, локальный CI вместо внешнего) собраны в docs/tools-rf.md внутри архива. Доступность сервисов меняется — проверяйте на дату.
Кому подходит — и кому нет
Подходит, если вы:
Не подходит, если вы:
Честные ограничения
Что дальше
Скачайте архив, откройте его в DSH и вставьте промпт выше. Первая сессия займёт 60–90 минут: диагностика, календарь и модуль 00-01. Дальше — по фазам, с проверками и практикой.
Если захотите — расскажите, что получилось и что оказалось самым полезным. Курс задуман как живая система: его можно улучшать по мере прохождения, а не «законсервировать» после публикации.
С нуля до джуна в эпоху ИИ: как устроен курс, который запускается в DSH
это твоё творчество ?
на git где-нибудь живёт ??