Моя лента

graphics.h в 2026 году: зачем и как запустить

graphics.h — это часть библиотеки BGI (Borland Graphics Interface) родом из 1990-х. В современных IDE её нет: она несовместима с 64-битными системами и не является частью стандарта C++. Тем не менее в учебных задачах она до сих пор встречается — особенно там, где нужно быстро визуализировать алгоритм или сдать лабораторную.

Когда это оправдано

• изучение основ C/C++ и хочется видеть результат за пределами консоли

• разбор алгоритмов компьютерной графики

• подготовка к экзамену по предмету, где преподаватель требует именно graphics.h

Для production-кода и серьёзных учебных проектов лучше сразу смотреть в сторону актуальных библиотек: SDL2 (2D, кроссплатформенная), SFML (ООП-подход, проще в освоении) или OpenGL/GLFW (если нужна 3D-графика и аппаратное ускорение).

О библиотеке

Адаптация для современных Windows называется WinBGIm — её разработал и поддерживает Майкл Мэйн, профессор Колорадского университета в Боулдере. Библиотека открыта для использования и модификации. Скачать можно на официальном сайте: winbgim.codecutter.org.

Если хочется сначала почитать вводный разбор — на Хабре есть статья с обзором WinBGIm, здесь же показан небольшой практический пример-скриншот: инженерная утилита с графическим выводом, которая впоследствии была переписана с использованием современного UI на C++.

Как запустить: общий принцип

Для работы используется адаптация WinBGIm — три файла: graphics.h, winbgim.h и libbgi.a.

Линкер-флаги одинаковы для всех сред:

-lbgi -lgdi32 -lcomdlg32 -luuid -loleaut32 -lole32

Известный баг: в оригинальном graphics.h на строке 302 встречается int right=0 — это вызывает ошибку компиляции. Исправляется заменой на int txtright=0.

Dev-C++

1. Скопировать graphics.h и winbgim.h в MinGW64\x86_64-w64-mingw32\include

2. Скопировать libbgi.a в ...\lib

3. Tools → Compiler Options → Parameters → Linker — вставить флаги

4. Переключить профиль компилятора на 32-bit Release

Code::Blocks

1. Файлы — в соответствующие папки include и lib компилятора MinGW

2. Settings → Compiler → Linker settings → Other linker options — вставить флаги

VS Code

Файлы хранятся внутри проекта. Структура:

project/
  include/  ← graphics.h, winbgim.h
  lib/      ← libbgi.a

В .vscode/tasks.json в массив args добавить:

"-I${workspaceFolder}/include",
"-L${workspaceFolder}/lib",
"-l"-I${workspaceFolder}/include",
"-L${workspaceFolder}/lib",
"-lbgi", "-lgdi32", "-lcomdlg32", "-luuid", "-loleaut32", "-lole32"
bgi", "-lgdi32", "-lcomdlg32", "-luuid", "-loleaut32", "-lole32"

Компилятор MinGW (g++) должен быть прописан в PATH.

Должно открыться окно с белым кругом на чёрном фоне. Если компиляция падает с ошибкой cannot find -lbgi — проверьте путь до libbgi.a. Ошибка undefined reference обычно означает, что флаги линкера не подхватились.

По материалам видео-инструкции CodeWar

Тест

#include <graphics.h>
#include <conio.h>

int main() {
    int gd = DETECT, gm;
    initgraph(&gd, &gm, (char*)"");
    circle(250, 250, 100);
    getch();
    closegraph();
    return 0;
}

Должно открыться окно с белым кругом на чёрном фоне. Если компиляция падает с ошибкой cannot find -lbgi — проверьте путь до libbgi.a. Ошибка undefined reference обычно означает, что флаги линкера не подхватились.

Тестовое задание для тестировщика AI-приложений

Ранее меня просили рассказать про subj. Итак, домашнее задание по оценке навыков ML Evaluation Engineer: как оно выглядит и чего ожидают работодатели?

Сценарий тестового задания:
Приложение для медицинских консультаций получает шквал жалоб от пользователей, хотя внутренняя модель анализа настроений (sentiment model) по-прежнему рапортует о высокой «глобальной точности» (Global Accuracy). Ваша миссия: найти «слепые зоны», которые скрывают метрики.

Данные:
1000 пользовательских отзывов (в формате JSON), содержащих эталонные значения (ground truth), предсказания модели и показатели уверенности (confidence scores).

Что ожидается в качестве результата?
Просто показать навыки кодинга недостаточно. В Evaluation главное – это ответ на вопрос «Ну и что?».

Структурированный аудит: Текстовое объяснение того, где именно находятся слепые зоны, подкрепленное цифрами.

Визуальные доказательства: Калибровочные кривые (Calibration Curves) и матрицы ошибок (Confusion Matrices), которые покажут, почему старые метрики пропустили провалы.

Какими навыками нужно обладать?

Чтобы блеснуть, вам понадобится «гибридный» профиль:

• Теоретическая база: Понимание того, как именно модели ошибаются, и какие метрики применимы к конкретным edge cases.

• Интуиция данных: Способность искать пробелы как вручную, так и автоматически.

• Инженерная строгость: Навыки работы с Python для создания пайплайнов и внедрения LLM-as-a-Judge.

• Стратегическая коммуникация: Умение излагать выводы структурированно, точно и грамотно.

Давайте разберем выполнение этой гипотетической задачи по фазам:

Фаза 1: «Детектив» (Анализ данных)
Прежде чем писать хоть одну строчку кода, нужно провести аудит распределения данных:

• Проверка дисбаланса классов: Если «позитивных» отзывов в 10 раз больше, чем «негативных», ваша метрика Accuracy вам нагло врет.

• Поиск предвзятости (bias): Не падает ли качество модели на специфических срезах (например, медицинский жаргон против разговорного языка)?

• Критика статус-кво: Почему старая «глобальная точность» подвела? Сравните её с метриками, которые реально важны для несбалансированных данных.

Фаза 2: «Архитектор» (Реализация)
Теперь строим фреймворк для оценки:

• Python-архитектура: Используйте чистый, модульный код. Будь то Scikit-learn или Pandas, покажите, что вы заботитесь о поддерживаемости.

• LLM-as-a-Judge vs. метрики: Решите, где нужны статистические библиотеки, а где не обойтись без LLM, чтобы «рассудить» нюансы сарказма или сложного медицинского контекста.

• Уверенность vs. Правильность: Напишите проверку на «уверенно неверные» (Confidently Incorrect) предсказания. Это ваши самые высокорисковые ошибки.

Фаза 3: «Стратег» (Отчетность)
Работа Eval-инженера – это на 20% получение цифр и на 80% объяснение того, что они значат.

• Визуализация: Приложите калибровочные кривые и матрицы ошибок.

• Бриф по «слепым зонам»: Структурируйте выводы. Где именно пробел? Модель пропускает «негатив», потому что там используются сложные термины? Объясните, почему старые метрики проглядели эти критические сбои.

 Совет кандидатам

Работодатели в сфере ML Eval ищут не «Data Scientist Lite», а инженеров по качеству и надежности. В вашем GitHub должны быть не просто .py файлы, а README, который рассказывает историю рисков и их минимизации.

это перевод моего англоязычного поста A take-home assignment for an AI QA role (другие переводы)

Две новости о регулировании — и они идут в противоположных направлениях

На этой неделе вышли две важные регуляторные новости. Вместе они лучше всего описывают, в каком мире мы живём.

⸻

🇨🇳 Китай: каждый гуманоид получит цифровой паспорт

25 мая 2026 года. Министерство промышленности и информационных технологий (MIIT) запустило Humanoid Full Lifecycle Management Service Platform — национальную систему цифровой идентификации роботов.

Каждый гуманоид, произведённый в Китае, получит 29-значный ID — по образцу удостоверения личности гражданина, только длиннее на 11 символов.

Что кодирует ID: → Бренд и производитель → Модель и серийный номер → Аппаратные параметры → Оценённый уровень интеллекта

Что позволяет платформа: → Мониторинг в реальном времени: износ суставов, деградация батареи, точность выполнения → При инциденте — мгновенный доступ к истории обслуживания и логам → При перепродаже — новый владелец видит всю историю без повторного тестирования

Контекст: у Китая более 140 производителей гуманоидов. MIIT называет проблему «кризисом единообразия». ID-система — попытка навести порядок через трассируемость.

Это именно то, что я называю «автомобильной моделью регулирования»: каждый робот — VIN, полная история жизненного цикла.

⸻

🇺🇸 США: GUARD Act хочет запретить китайских роботов полностью

3 июня 2026 года. Двухпартийный законопроект GUARD Act (Guarding the U.S. Against Adversarial Robotics Dominance) внесён в Конгресс.

Авторы: Джон Муленар (республиканец), Джей Обернолте (республиканец), Дженнифер Макклеллан (демократ) — двухпартийный состав, что важно.

Механизм жёсткий: → Спецслужбам даётся 1 год на проверку каждой китайской платформы → Если риск «неприемлемый» — FCC запрещает импорт и эксплуатацию → Главная ловушка: платформа, не прошедшая проверку за год, автоматически попадает в запретный список

Цель — не только госзакупки (это был предыдущий Humanoid ROBOT Act), а весь коммерческий рынок.

Проблема: NVIDIA за два дня до внесения законопроекта анонсировала Isaac GR00T Reference Design на базе Unitree H2 Plus. То есть американский программный стек уже работает на китайском железе. Запрет Unitree означал бы разрыв этой цепочки и удар по собственным R&D программам.

Agility Robotics поддерживает закон. Но Agility не продаёт роботов в розницу — только корпоративные пилоты. Альтернативы Unitree G1 за $16 000 с открытым SDK на американском рынке нет.

⸻

💡 Что это значит вместе

Два разных ответа на один вопрос: «Как государство должно контролировать гуманоидов?»

→ Китай: регистрируй, отслеживай, управляй жизненным циклом. Контроль через прозрачность. → США: запрещай adversarial hardware. Контроль через исключение.

Российский законопроект от 26 мая (ЕГСИМ) ближе к китайской модели — реестр, паспортизация, цепочка ответственности.

Самая острая коллизия остаётся нерешённой: NVIDIA выбрала Unitree как референсный носитель для Isaac GR00T. Если GUARD Act пройдёт — американские исследователи потеряют доступ к платформе, на которую их же компания поставила как на стандарт.

⸻

Источники: humanoidsdaily.com (25 мая и 5 июня 2026)

📌 Telegram-канал «Я и Робот» — инженерная аналитика гуманоидной робототехники без хайпа.

👉 t.me/i_and_robot

Рабочий стек маркетолога из 8 нейросетей: какой инструмент для какой задачи

По данным SimilarWeb, 80% маркетинговых команд в 2026 году используют генеративный ИИ — но только 18% применяют его для стратегических задач. Большинство используют один ChatGPT для всего и получают нестабильный результат.

Проблема не в ChatGPT. Проблема в том что разные задачи требуют разных инструментов. Ниже — стек из 8 нейросетей который мы выстраивали полтора года на реальных маркетинговых проектах, с конкретными задачами и ограничениями каждого инструмента.

Инструменты и задачи

Claude (Sonnet/Opus)

Задача: анализ аудитории, качественные тексты
Контекстное окно: 200 000 токенов
Когда использовать: большие объёмы данных,
мультиязычный анализ, точные формулировки
Когда не подходит: быстрая генерация
множества вариантов

Пример: 47 страниц расшифровок интервью → таблица из 34 инсайтов с привязкой к цитатам за 12 минут. Вручную: два рабочих дня. При документах более 50 страниц ChatGPT начинает терять контекст — Claude стабильнее.

Perplexity

Задача: исследование рынка с верифицированными
источниками
Когда использовать: нужны данные с URL
которые можно показать клиенту
Когда не подходит: анализ больших объёмов
загруженных документов

Ключевое отличие от ChatGPT: конкретные URL для каждого утверждения вместо «по данным различных исследований».

DeepSeek

Задача: массовая обработка данных о конкурентах
Стоимость: менее $2 за 43 конкурента
vs $15-20 на GPT-4o за ту же задачу
Когда не подходит: точечный мониторинг
конкретного конкурента — там ChatGPT Browse

По данным Stanford AI Index Report 2024, стоимость инференса языковых моделей снижается на 60–80% ежегодно. DeepSeek — практический пример этого снижения.

ChatGPT (GPT-4o)

Задача: брейншторм, быстрые варианты, расчёты
Сильные стороны: скорость генерации идей,
Code Interpreter для бюджетных сценариев
Когда не подходит: анализ больших документов,
массовая обработка конкурентов

10 вариантов заголовка за 30 секунд. Расчёт ROAS по трём каналам через Code Interpreter — без аналитика.

Midjourney

Задача: мудборд, концептуальный визуал
Ограничение: не рендерит кириллицу
Когда не подходит: финальные материалы
с текстом на русском

12 вариантов визуального стиля за 20 минут вместо четырёх часов поиска референсов в Pinterest.

Canva AI

Задача: адаптация визуала под форматы
Magic Resize: один макет → все форматы
за секунды

Gamma

Задача: презентации из готового контента
Время: 30 минут вместо 4 часов в PowerPoint
Бесплатно: 400 кредитов ≈ 10-15 презентаций
Когда не подходит: нестандартный брендбук

AdHeart / Publer

Задача: мониторинг платной рекламы конкурентов
Важно: ни одна языковая модель не имеет
доступа к рекламным кабинетам — только
специализированные сервисы

AdHeart актуален в 2026 году — в марте представил новую функцию поиска похожих креативов.

Как инструменты работают в цепочке

Perplexity → исследование рынка (20 мин)
Claude → анализ аудитории (3-4 часа vs 30)
DeepSeek → конкурентная разведка (вечер vs неделя)
ChatGPT → тексты и расчёты
Midjourney + Canva → визуал
Gamma → презентация (30 мин)

Итого: 5-7 рабочих дней vs 2-3 недели

Ключевое: инструменты работают в цепочке — результат одного этапа становится входом для следующего.

Стоимость стека

Стартовый минимум:
Claude Pro:    $20/мес
ChatGPT Plus:  $20/мес
Итого:         $40/мес → 70% задач закрыто

Полный стек:   ~$100/мес
DeepSeek API:  $2-10 на проект (pay as you go)

Какие инструменты из списка используете в работе — и есть ли задачи где ни один не даёт стабильного результата?

Главное — помнить про бизнес-смысл⚡

➡️ Максим Растеряев, технический руководитель направления BI в ДАРе, рассказал о подходе команды к решению задач.

И еще — поделился секретом долгосрочного сотрудничества с клиентами🔥

Смотри видео! Проявляй себя, работай в КОРУСе: https://links.korusconsulting.ru/ybFq

#говоряткорусяне