SpiderFoot собирает OSINT-данные из открытых источников

SpiderFoot — инструмент для автоматизации OSINT-разведки. Он собирает информацию из множества открытых источников, связывает найденные данные между собой и показывает их в удобном интерфейсе.

В качестве цели можно указать:
— IP-адрес
— домен или поддомен
— email
— номер телефона
— имя человека
— username
— ASN и сетевой диапазон
— Bitcoin-адрес

У проекта более 200 модулей. Они умеют искать связанные аккаунты в соцсетях, анализировать DNS и домены, проверять IP-адреса, искать упоминания в утечках и открытых базах, определять геолокацию IP, анализировать метаданные файлов и многое другое.

При этом SpiderFoot не является инструментом для получения закрытой информации.. Инструмент автоматизирует сбор и сопоставление доступной информации, а результат зависит от источников, подключённых модулей и API. Часть интеграций требует собственных API-ключей.

Проект написан на Python 3, распространяется под лицензией MIT и может работать через веб-интерфейс или командную строку. Есть также поддержка Docker.

Для специалистов по кибербезопасности SpiderFoot может пригодиться при проверке собственной цифровой информации, пентестах и поиске информации, которая уже доступна в интернете.

😛 Исходный код и инструкция по запуску доступны в репозитории SpiderFoot на GitHub.

Используйте инструмент только для законных задач: например, аудита собственной инфраструктуры, учебных лабораторий или тестирования с разрешения владельца.

💻 КОД — техножурнал

Codex теперь умеет собирать редактируемые дизайны, а не просто картинки

Появился интересный Codex-скилл для дизайнерских задач: вместо обычного изображения он собирает полноценный редактируемый макет.

Схема работы выглядит так: VLM формирует идею, модель генерирует отдельные ассеты, а coding-агент объединяет их в структурированный HTML. В итоге элементы, текст и слои остаются отдельными, поэтому макет можно дорабатывать после генерации.

В проекте сразу два скилла:
— Editable-Design — для постеров, инфографики и других визуальных макетов;
— Html-to-pptx — для преобразования HTML-дизайна в редактируемый PowerPoint.

На выходе можно получить HTML, PNG и визуальный редактор с разбором макета по слоям.

Для лучших результатов пользователи рекомендуют запускать скилл на GPT-5.6 в режиме high reasoning.

™️ Проект и инструкции по использованию доступны в репозитории на GitHub.

💻 КОД — техножурнал

Apache Maka — AI-агенты с локальным хранением данных
Если не хочется отдавать историю работы с AI, настройки и журналы выполнения внешнему сервису, стоит обратить внимание на Apache Maka — open source-проект для запуска AI-агентов с локальным хранением состояния.

Главная идея проекта — не просто дать интерфейс для общения с моделью, а сохранить полную историю выполнения задач. В журнал попадают сообщения модели, вызовы инструментов, решения по разрешениям и завершение операций. Этот журнал используется и для восстановления состояния после сбоев.

При этом саму модель Maka не предоставляет. Можно подключить облачный API, локальную модель или совместимый шлюз. Сессии, настройки и результаты запусков по умолчанию хранятся на вашем устройстве.

Один Runtime Host вместо нескольких движков

У Maka есть единый Runtime Host — процесс, который отвечает за выполнение задач. Desktop-приложение, TUI и CLI выступают клиентами и используют один и тот же runtime, а не держат отдельные реализации логики.

Архитектура интересна сама по себе: состояние строится вокруг журнала событий, а интерфейс, контекст сессии и механизм восстановления рассматриваются как его представления.

😛 В документации по архитектуре Runtime Host разработчики подробно разбирают границы компонентов и взаимодействие Host с клиентами.

Ещё один важный момент — локальное хранение. Рабочие данные включают SQLite-хранилище, настройки, каталог подключений и другие файлы. Ключи API также хранятся локально, а инструменты, способные изменять файлы или запускать shell-команды, проходят через границу песочницы.

Проект пока находится в активной разработке: форматы данных, CLI-команды и экспериментальные возможности могут меняться. Официального Apache-релиза пока нет. Доступны nightly-сборки для macOS, Windows и Linux; Windows и Linux обозначены как неподписанные preview-сборки и не предназначены для production.

Maka распространяется под Apache License 2.0 и находится в инкубации Apache Software Foundation.

Для тех, кто интересуется не только использованием AI-агентов, но и тем, как правильно строить их runtime, хранение состояния и восстановление после сбоев, репозиторий Maka определённо заслуживает изучения.

™️ Репозиторий Maka на GitHub

💻 КОД — техножурнал

GenOffice: офисный пакет, где ИИ редактирует документы вместо вас

Microsoft Office получил необычную open-source альтернативу — GenOffice. Это не просто чат с нейросетью поверх Word или Excel: ИИ встроен прямо в редакторы документов и может вносить изменения в файлы.

GenOffice работает с привычными форматами .docx, .xlsx и .pptx, а также поддерживает PDF и Markdown. ИИ может редактировать отдельные блоки документа, показывать внесённые изменения и сохранять версии, чтобы при необходимости вернуться назад.

При этом разработчики не привязывают пользователя к одной модели. Можно подключить собственные API-ключи для Claude, GPT, Gemini, DeepSeek, Qwen, Mistral, Grok и других моделей, а также использовать OpenAI-совместимые локальные серверы.

Есть и полностью локальные сценарии: например, GenOffice умеет редактировать документы на компьютере и конвертировать PDF в Word, Excel или PowerPoint без загрузки файла в облако. Правда, AI-функциям для работы нужен интернет.

Проект распространяется бесплатно под Apache-2.0, работает на Windows, macOS и Linux.

™️ Если хочется попробовать такой подход к работе с документами, исходники и готовые сборки есть в репозитории GenOffice на GitHub.

💻 КОД — техножурнал

Spotify научила Claude Code экономить до 90% токенов

Spotify показала связку из Portal и Shunt, которая переносит рутинную работу Claude Code на более дешёвую модель. В тестах на Java-монорепозитории это дало около 90% экономии токенов при чтении файлов.

Идея простая: Claude не обязан тратить дорогие токены на чтение пяти больших файлов, если от него требуется всего пара выводов.

Shunt перехватывает чтение больших файлов. По умолчанию порог — 350 строк. Вместо того чтобы отправлять весь файл Claude, плагин передаёт его через Portal модели Gemini 2.5 Flash, которая возвращает короткое структурированное резюме.

Для предсказуемого кода работает второй сценарий — code-writer. Например, генерацию тестов или конфигурации можно отдать дешёвой модели вместе с эталонным файлом. Результат сразу записывается на диск, поэтому Claude вообще не тратит контекст на сгенерированный код.

При этом сложные задачи оставляют Claude: отладка, архитектурные решения и задачи, требующие глубокого рассуждения, не делегируются. Есть и минус — каждый запрос через Portal добавляет сетевую задержку, обычно около 10–30 секунд.

™️ Оба инструмента уже доступны в официальном репозитории Spotify с AI-плагинами.

Подключение:

claude plugin marketplace add spotify/portal-ai-plugins
claude plugin install portal@portal
claude plugin install shunt@portal

По сути, Spotify предлагает не заставлять одну дорогую модель делать всю работу подряд: простое — дешёвой, сложное — сильной. И именно такой роутинг может оказаться одним из самых практичных способов снизить расходы на AI-кодинг.

💻 КОД — техножурнал

🎬 150+ промптов для кинематографичной видеогенерации

Хотите, чтобы AI-видео выглядело не как случайная генерация, а как кадр из фильма? Собрали библиотеку из 150+ готовых кинематографичных промптов для создания изображений и видео.

Внутри — не абстрактные советы, а конкретные приёмы из кино:

— ракурсы и движения камеры — от aerial shot и dolly до tracking shot и dolly zoom;
— свет, объективы, композиция и цвет;
— приёмы для сцен, атмосферы и визуального повествования;
— готовые шаблоны, где достаточно заменить описание сцены на своё;
— примеры изображений и видео, чтобы сразу понимать, какого результата ждать.

Промпты универсальны: их можно использовать с разными AI-генераторами, включая Midjourney, Runway и Sora. Каждый запрос уже подготовлен для копирования и адаптации под собственную сцену.

И да, среди техник есть те самые приёмы, которые помогают создавать кадры с ощущением настоящего кино — от классических крупных планов до сложных движений камеры.

😛 Вся коллекция — в Cinematique.

💻 КОД — техножурнал

ChatGPT Images 2.5: OpenAI обновила генерацию и редактирование изображений

OpenAI выпустила ChatGPT Images 2.5 — новую версию модели для создания и редактирования изображений.

Главное изменение — более точное редактирование отдельных элементов. Теперь можно попросить изменить конкретный объект, фон или деталь, сохранив остальную композицию без лишних изменений.

Что ещё появилось:
— Sketch — можно сделать простой набросок прямо в ChatGPT, а модель превратит его в полноценное изображение.
— Шаблоны — готовые варианты для постеров, мерча, фотографий товаров и других форматов. Их можно адаптировать под свои задачи.
— Более стабильное редактирование — при последовательных правках модель лучше сохраняет уже изменённые детали.
— Качество изображения выросло — OpenAI отдельно отмечает более естественный свет, богатые текстуры и лучшее сохранение внешности людей на исходных фотографиях.
— Генерация стала быстрее — задержка снизилась до 50% по сравнению с Images 2.0.

Images 2.5 уже начали распространять на вебе, iOS и Android. Также обновление доступно пользователям ChatGPT Work и Codex.

™️ Попробовать новые возможности можно в ChatGPT.

💻 КОД — техножурнал

OpenAI выпустила подробный гайд по GPT Image 2.5

OpenAI опубликовала подробное руководство по работе с GPT Image 2.5 — новой моделью для генерации и редактирования изображений.

В API доступны два варианта модели:
— Flare — более быстрый режим для повседневной генерации;
— Sunburst — вариант с упором на максимальную детализацию и точное редактирование.

Отдельный раздел посвящён точечному редактированию изображений через промпты. В гайде показано, как менять отдельные элементы сцены, сохраняя исходный объект и остальные детали без лишних изменений.

Также OpenAI разобрала практические сценарии для рекламы, комиксов, схем, интерфейсов и работы с референсами.

То есть это уже не просто список рекомендаций по промптам, а полноценная инструкция о том, как управлять результатом генерации и редактирования.

™️ Если используете GPT Image 2.5, гайд стоит сохранить: официальная документация OpenAI по созданию промптов для изображений.

💻 КОД — техножурнал

DeepSeek снижает цены на API — максимум на 60%

С 10 сентября DeepSeek меняет тарифы API для серии Flash. Сильнее всего подешевеет обработка кэшированных входных токенов.

За 1 млн токенов в непиковые часы:
— ввод при промахе кэша: $0,23 → $0,15 (−33%);
— вывод: $0,68 → $0,60 (−11%);
— ввод при попадании в кэш: $0,0075 → $0,003 (−60%).

В час пик тарифы останутся вдвое выше: $0,30 за ввод, $1,20 за вывод и $0,006 за кэшированный ввод.

Важно: снижение на 60% не означает, что весь счёт за API уменьшится на 60%. Итоговая экономия будет зависеть от того, какую долю нагрузки составляют ввод, вывод и повторно используемые токены из кэша.

Что с результатами тестов

На бенчмарке DeepSWE v1.1 с настройками mini-SWE модель DeepSeek V4.1-Flash в режиме max показала Pass@1 на уровне 75,1%. Это немного выше значений GPT-6 Astra и Claude Opus 5, представленных на графике.

По горизонтальной оси средняя стоимость одной попытки выполнения задачи составляет около $0,25.

Теперь главный вопрос — насколько эти результаты будут соответствовать реальной работе с кодом, а не только тестовым сценариям.

P.S. Окончательные тарифы и результаты стоит сверять с официальным релизом DeepSeek.

💻 КОД — техножурнал

Recordly — бесплатная альтернатива Screen Studio с открытым исходным кодом

Записывать экран можно и без дорогого редактора. Recordly объединяет запись экрана и монтаж в одном приложении, а часть обработки автоматизирует.

Проект умеет:
— автоматически предлагать приближения на основе движения курсора;
— сглаживать курсор, добавлять motion blur и анимацию кликов;
— оформлять видео с фонами, градиентами, скруглениями, размытием и тенями;
— записывать микрофон и системный звук;
— добавлять веб-камеру поверх записи;
— редактировать ролик на таймлайне — обрезать, менять, добавлять зумы и аннотации;
— экспортировать результат в MP4 или GIF.

Recordly работает на macOS, Windows и Linux. Проект распространяется как Open Source, а исходный код доступен на GitHub.

Есть и нюансы: например, на Linux пока нельзя скрыть системный курсор при записи, а поддержка системного звука зависит от платформы.

Сам Recordly бесплатный, поэтому для коротких демо, инструкций и промо роликов это вполне интересный вариант вместо платных инструментов вроде Screen Studio.

😛 Ссылка на официальный сайт: Recordly
™️ Ссылка на репозиторий на GitHub: Recordly

💻 КОД — техножурнал

Qwen3.8-Flash-Next 125B можно запустить на 6 ГБ VRAM

125B-модель Qwen3.8-Flash-Next запускается на одной RTX 4090 с пиковым потреблением всего 5,95 ГБ VRAM — без 4-битной квантизации и дистилляции. Для этого используется AirLLM, который не пытается загрузить весь checkpoint в видеопамять.

По данным разработчиков AirLLM, тест проводился с полным checkpoint в BF16 и greedy decoding.

Как 125B помещается в 6 ГБ

Главный трюк — не пытаться держать всю модель в памяти одновременно.

Qwen3.8-Flash-Next использует MoE-архитектуру и большой n-gram/PLE-компонент. Полный checkpoint занимает около 360 ГБ, а одна только n-gram-таблица — порядка 102 ГБ в BF16.

AirLLM разбивает модель на слои и загружает их последовательно: нужный слой попадает на GPU, выполняет вычисления, после чего память освобождается для следующего.

С n-gram-таблицей используется другой подход — memory mapping (mmap). Она остаётся на диске и отображается в память хоста по мере необходимости, вместо того чтобы целиком копироваться в RAM или VRAM. По данным AirLLM, для такого запуска достаточно машины с 64 ГБ оперативной памяти.

В итоге получается следующая схема:
— checkpoint — около 360 ГБ на диске;
— n-gram table — около 102 ГБ, обрабатывается через mmap;
— decoder layers — последовательно стримятся на GPU;
— пиковое потребление VRAM — 5,95 ГБ.

То есть 24 ГБ VRAM для самой загрузки модели не обязательны. Теоретически достаточно GPU с 8 ГБ памяти, хотя итоговый запас зависит от конкретной конфигурации и режима работы.

Что потребуется для запуска

AirLLM уже добавил поддержку Qwen3.8-Flash-Next. В документации Transformers архитектура Qwen4-Exp описана через GatedResidual, Qwen Sparse Attention и Per-Layer Embedding (PLE); для мультимодальной версии используется Qwen4ExpForConditionalGeneration.

На момент теста требовалась версия Transformers из GitHub, где qwen4_exp уже находится непосредственно в кодовой базе:

pip install -U "airllm>=3.3.0"
pip install git+https://github.com/huggingface/transformers.git

Затем модель загружается обычным вызовом AirLLM:

from airllm import AutoModel

model = AutoModel.from_pretrained(
    "Qwen/Qwen3.8-Flash-Next",
    delete_original=True
)

input_text = ["What is the capital of France? Answer in one word."]

input_tokens = model.tokenizer(
    input_text,
    return_tensors="pt",
    return_attention_mask=False,
    truncation=True,
    max_length=128,
    padding=False
)

generation_output = model.generate(
    input_tokens["input_ids"].cuda(),
    max_new_tokens=8,
    use_cache=True,
    return_dict_in_generate=True
)

print(model.tokenizer.decode(generation_output.sequences[0]))

Параметр delete_original=True позволяет удалить исходные файлы checkpoint после разбиения модели и освободить место на диске.

Где здесь ограничение

Низкое потребление VRAM не означает, что 125B-модель физически стала «моделью на 6 ГБ».

Основная нагрузка переносится на SSD и RAM. Нужен быстрый накопитель с несколькими сотнями гигабайт свободного места и примерно 64 ГБ оперативной памяти. При первом запуске некоторое время одновременно хранятся исходный checkpoint и его разбитая версия.

Зато GPU перестаёт быть главным ограничением. AirLLM показывает, что большие open-weight модели можно запускать локально даже на относительно скромных видеокартах, если правильно организовать загрузку весов.

Исходный код AirLLM открыт под лицензией MIT, а поддержка Qwen3.8-Flash-Next появилась в версии 3.3.0.

™️ Проект доступен в репозитории AirLLM на GitHub.

Главный вывод: для локального запуска Qwen3.8-Flash-Next теперь важнее иметь достаточно быстрый SSD и 64 ГБ RAM, чем дорогую видеокарту с огромным объёмом VRAM.

💻 КОД — техножурнал

Университет в Абу-Даби выпустил сразу шесть открытых ИИ-моделей

Institute of Foundation Models (IFM) при MBZUAI в Абу-Даби представил семейство K2 Horizon — сразу шесть моделей от 0,9 до 375 млрд параметров. Причём ставка сделана не только на размеры и производительность, но и на открытость проекта.

В зависимости от модели доступны веса, данные и рецепты обучения, исходный код, конфигурации, промежуточные чекпойнты и результаты тестов. Модели и код распространяются по Apache 2.0, а для датасетов используются соответствующие лицензии.

Самая интересная цифра сейчас у K2 Horizon 7B. На SWE-bench Verified модель набирает 70,6%, тогда как Qwen3.5-9B — 50,8%. При этом 7B также показывает 39,1% в Terminal-Bench 2.1 и 25,8% в tau3-Banking.

Но это не значит, что небольшая модель обходит всех конкурентов во всём. Например, в GPQA Diamond у K2 Horizon 7B — 77,1% против 80,6% у Qwen3.5-9B, а в BFCL v4 — 62,3% против 65,7%. Сильная сторона K2 Horizon — прежде всего кодинг и агентные задачи.

Флагман K2 Horizon 375B-A23B построен по архитектуре Mixture-of-Experts: всего 375 млрд параметров, но на каждый токен активируется около 23 млрд. Контекстное окно достигает 512 тысяч токенов.

😛 Все модели собраны в коллекции K2 Horizon на Hugging Face. Там уже доступны версии от 0,9B до 375B, а также FP8 и GGUF-варианты некоторых моделей.

Но главное здесь — не очередные цифры в бенчмарках. IFM открывает не только сами модели, но и значительную часть процесса их создания: данные, код, подходы к обучению и промежуточные результаты. Для исследователей и разработчиков такая прозрачность может быть не менее важна, чем итоговые показатели нейросети.

💻 КОД — техножурнал

Anthropic: старые промпты могут незаметно увеличивать расходы на Claude

При переходе на новую модель недостаточно просто заменить её в API. Старые промпты и настройки тоже стоит пересмотреть — часть инструкций могла быть нужна предыдущей версии, а теперь только увеличивает расход токенов.

📱 Anthropic разобрала несколько таких случаев в разборе оптимизации затрат Claude.

Например, требование отвечать максимально подробно заставляло модель выполнять десятки лишних поисковых запросов по базе знаний. А инструкция принудительно писать черновик рассуждений в отдельных сценариях приводила к тому, что вызовы инструментов попадали в рассуждения, но фактически не выполнялись.

На тестах поддержки удаление подобных инструкций дало снижение средней стоимости на 14,6% при одновременном росте точности на 5,3%.

Максимальный effort не всегда выгоден

Больше рассуждений не обязательно означает пропорционально лучший результат.

В одном из тестов переход на максимальный уровень рассуждений увеличил стоимость на 46%, а результат вырос лишь на 0,5% — причём изменение оказалось в пределах погрешности теста.

В другом сценарии модель с низким уровнем effort смогла показать результат более сильной модели с высоким effort, но при стоимости примерно в три раза ниже.

То есть иногда выгоднее дать более сильной модели меньше времени на рассуждения, чем заставлять менее подходящую модель работать на максимуме.

Даже временная метка может сломать кэш

Prompt caching работает только при совпадении префикса. Поэтому его легко случайно сбросить.

Проблемой могут стать:
— постоянно меняющаяся временная метка;
— ID в системном промпте;
— изменение порядка описаний инструментов;
— слишком долгое выполнение инструментов, из-за которого истекает срок жизни кэша.

Для длинных агентских сценариев это особенно важно: Anthropic указывает, что prompt caching может значительно снижать расходы на повторно используемый контекст.

Anthropic уже добавила соответствующие проверки в claude-api skill для Claude Code. Команды /claude-api prompt-audit и /claude-api cost-optimize помогают находить проблемные инструкции и возможности для снижения расходов.

Поэтому после перехода на новую модель имеет смысл заново проверить CLAUDE.md, скиллы, системные промпты и настройки effort. Инструкция, которая раньше помогала старой модели, после перехода на новую может оказаться ненужной и лишь увеличивать расход токенов.

💻 КОД — техножурнал

Бесплатный роутер для AI-агентов: автоматический failover между моделями

Free Router — open-source шлюз, который позволяет подключить AI-агента к нескольким OpenAI-совместимым провайдерам и автоматически выбирать доступную бесплатную модель.

Проект работает локально: клиент отправляет запросы на 127.0.0.1:8787/v1, а Free Router сам определяет приоритет моделей. Если выбранный провайдер упёрся в лимит, недоступен или перестал отвечать, запрос переключается на другой.

Главный плюс — не нужно вручную менять модель при каждом исчерпанном лимите. Можно подключить несколько провайдеров через конфигурацию, а отсутствующий API-ключ просто исключается из списка доступных вариантов.

Для запуска нужен Node.js 20+. Разработчики также предусмотрели Docker-вариант и локальную веб-панель, где можно добавлять ключи и смотреть использование.

™️ Исходный код и инструкция по запуску доступны в репозитории Free Router на GitHub.

Полезный инструмент для тех, кто активно использует AI-агентов и хочет меньше зависеть от лимитов одного провайдера.

💻 КОД — техножурнал

Голосовой режим ChatGPT получил новые модели и увеличенные лимиты

Голосовой режим ChatGPT теперь может работать с GPT-5.6 Sol и GPT-6 Astra. Пользователь может самостоятельно выбрать модель и уровень рассуждений, а голосовой режим подключит выбранные возможности, когда потребуется поиск информации или решение более сложной задачи.

Одновременно OpenAI увеличила дневные лимиты GPT-Live-1:
— Plus — с 1 до 3 часов в день;
— Pro за $100 — с 12 до 15 часов;
— Pro за $200 — без ограничений.

™️ Подробности об изменениях доступны в официальных примечаниях к обновлениям ChatGPT.

💻 КОД — техножурнал