Категории

  • "AI-крылья" или "сапоги-скороходы" на 24 в сутки...

    4 Темы
    7 Сообщения
    MasterGHM
    На основе последних данных на сентябрь 2025 года, самые сильные AI-модели в основном относятся к большим языковым моделям (LLM) и мультимодальным системам, оцениваемым по бенчмаркам вроде LMArena, MMLU-Pro, GPQA и пользовательским рейтингам. "Сила" здесь определяется производительностью в задачах reasoning, coding, генерации контента, мультимодальности (текст, изображения, видео, аудио) и общими рейтингами. Я опираюсь на актуальные рейтинги и списки из надежных источников. Вот топ-10 сильнейших моделей (с фокусом на LLM, но включая ключевые мультимодальные), отсортированные по общим рейтингам и релизам (от новейших и высокооцененных). Для каждой указаны разработчик, ключевые сильные стороны и примеры применения: Место Модель Разработчик Ключевые сильные стороны Применение Параметры / Контекст 1 Gemini 2.5 Pro Google DeepMind Лидер в общих рейтингах (LMArena 1285), мультимодальность (текст, изображения, видео, код), продвинутый reasoning и обработка больших контекстов (до 1 млн токенов). Исследования, кодинг, генерация контента, маркетинг. Неизвестно / 1 млн токенов 2 GPT-5 OpenAI Улучшенная точность (на 26% меньше галлюцинаций, чем в GPT-4o), мультимодальность, proactive engagement; сильна в сложных задачах. Текстогенерация, анализ данных, coding, проекты с большим контекстом. Неизвестно / 272 тыс. токенов 3 Claude 4 Opus Anthropic Превосходит в сложных задачах, coding, research; extended thinking mode для глубокого анализа; контекст до 200 тыс. токенов (бета 1 млн). Кодинг, анализ данных, enterprise-задачи в финансах и здравоохранении. Неизвестно / 200 тыс. токенов 4 Grok 4 xAI Интеграция с внешними инструментами (поиск, анализ изображений/видео), сильный reasoning через RL; trained на огромных данных. Реал-тайм поиск, agentic coding, мониторинг трендов. Неизвестно / 256 тыс. токенов 5 DeepSeek V3 / R2 DeepSeek Open-source, MoE-архитектура для efficiency; сильна в math, coding, reasoning; мультимодальность (текст из изображений). Решение сложных проблем, бизнес-контент, финанализ. 37 млрд (активных) / 128 тыс. токенов 6 Qwen3 (например, 235B-A22B-Thinking) Alibaba Open-source, фокус на reasoning, coding, math; гибкая для software engineering и мультимодальности. Кодогенерация, multilingual задачи, автоматизированное доказательство теорем. 22 млрд / 262 тыс. токенов 7 Llama 4 / Nemotron Ultra Meta / NVIDIA Open-source, мультимодальность (текст, изображения, видео); огромный контекст (до 10 млн токенов в Scout-версии); outperforms GPT-4o в coding и multilingual. Customer service, data analysis, content creation. Неизвестно / 128 тыс. токенов 8 GPT-4o / o3 OpenAI Multimodal (текст, изображения, аудио, видео); Voice Mode; сильна в повседневных задачах, но с cutoff в знаниях (октябрь 2023). Генерация текста/кода, анализ, разговоры. Неизвестно / До 1 млн токенов 9 Mistral Medium 3 Mistral AI MoE для efficiency; специализирована на coding, reasoning, мультимодальности; open-source варианты. Enterprise-задачи, code reviews, complex reasoning. Неизвестно / 128 тыс. токенов 10 Sora OpenAI Лидер в text-to-video; HD до 1080p, до 20 сек; remixing и blending ассетов. Генерация видео, прототипирование контента. Не применимо (видео-модель) Дополнительно: - Для видео: Veo 3 (Google) лидирует в 4K-генерации, но с ограничениями по длине. - Для аудио: Whisper (OpenAI) для транскрипции, AudioCraft (Meta) для генерации. - Рейтинги динамичны; модели вроде GPT-5 и Gemini часто обновляются. Для доступа: многие доступны через API (OpenAI, Google), open-source (DeepSeek, Llama) — на Hugging Face. Ref. AI Grock4
  • Программа для создания чит-кодов

    2 Темы
    2 Сообщения
    MasterGHM
    Основная: CeWiki Исчерпывающая: Lua.txt (обновление 2023) Форум: cheatengine.org Сайт: cheatengine.org Использовать CE можно разными способами. Самый простой - ничего не програмировать, а искать адреса в памяти процесса игры по правилам поиска, замораживать их значения. Посложнее - искать и использовать указатели на адреса памяти, чтобы после перезапуска уровня или игрового процесса таблица с адресами правильно работала. Посложнее будет правка дизассемблированного кода с помощью скриптов cheat engine, что даст гораздо больше управления над значениями адресов памяти, например, записать здоровье дружественным юнитам и даже создание предметов на карте или в инвентаре. Работа с cheat engine это один из самых интересных способов познакомиться с программированием на асемблере через асемблерные вставки и через прогон отладочного кода в пошаговой отладке (или без прогона через брейкпонты). Также можно ознакомиться с програмированием на lua, программированием dll-ок на c++. На C++, reclass и IDA можно построить классы и управлять игровым поцесссом более гибко и масштабно. Также есть инструменты под определенные игровые движки, которые облегчают реализацию читов, например, поиск функций (отладочных, декомпилированных) для читов и их создания. Скорее всего, если поискать, то можно много новых инструментов найти в Интернете. Также ознакомиться с программированием можно на уровнях игровых движков (unity, unreal engine, cry engine и других) через поиск в Интернете. Так можно получить представление о древовидной связи игровых обьектов сущностей и связи этих обьектов с обьектами классов-поведений. Часть классов-поведений(компоненты) являются частью игрового движка, а часть является особенностью определеной игры. Например, создание, удаление, копирование обьекта-сущности с его компонентами - это прерогатива функций игрового движка, на котором делают множество игр. А, например, управление игровой механикой это уже связь с конкретной игрой или даже конкретной версии игры. Когда, работаешь с игровым движком, то прекрасно понимаешь почему динамические указатели имеют место быть. И это и сцена, которая хранит дерево обьектов, это само дерево обьектов и это место в динамическом списке компонентов и сам компонент, который может работать с переменной локальной или же обращаться к обьектам других компонентов или классов не на основе компонентов. Короче говоря, если планируешь изучать прогоаммирование, то ничего нет интересней начать с программирования читов и изучения архитектуры операционной системы (начиная с процессов, потоков, памяти и т.п.). Также изучая готовые примеры скриптов, кодов, исходников игр и трейнеров. Написание трейнеров и обхода защит от трейнеров, тоже очень поможет в изучении программирования.
  • Программа для хранения базы знаний

    3 Темы
    5 Сообщения
    MasterGHM
    После использования Obsidian более месяца понял, что пока не нашел лучше программы для ведения базы знаний. При чем чем больше пользуешься тем вероятнее изменить стратегию ведения базы. Например, я отказался от множества vault в пользу трех: для работы на рабочем ПК, на смартфоне и на ноутбуке. Пока они все составляются не зная друг про друга. Большое их кол-во неудобная штука, т.к. переключаться между ними долго, искать в каждом отдельном так себе... Граф поможет искать все связи и ссылки. Возможно, что-то еще напишу по Obsidian. Думаю, что я изучил по Obsidian все, что мне нужно и по его основным плагинам, кроме написания сами плагинов (пока не потребовалось)
  • 3 Темы
    3 Сообщения
    P
    Товарищ Cake-san обновил свою табличку для работы с играми на Unreal Engine 5.xx Скачать с Goggle диск
  • 30 Темы
    68 Сообщения
    PitronicP
    Пользователь @MasterGH написал в Функция autoAssemble: // Скрипт похожий на таблицу АА Маленькое замечание. Два слеша используются для коментариев в асм. На луа используются пунктир не менее двух чёрточек. Если пользователь не разбирается, он не поймёт почему луа выдаёт ошибку. Тему поправил.
  • 49 Темы
    94 Сообщения
    MasterGHM
    Вот детальный анализ недочетов текущего подхода, направления для улучшений и инновационные способы интеграции ИИ: --- 1. Что не учли в текущей реализации 1.1 Динамическое изменение структур - Проблема: Игры с procedural generation (например, Starfield) могут менять расположение полей во время выполнения. - Решение: Добавить мониторинг паттернов доступа: function TrackStructureChanges(baseAddr) while true do local newLayout = AnalyzeStructure(baseAddr) CompareLayouts(lastLayout, newLayout) -- Алерт при изменениях sleep(1000) end end 1.2 Мультиплатформенная поддержка - Упущение: Нет оптимизации под ARM (Android/iOS) и консоли (PS5/Xbox). - Исправление: Добавить детектор ABI: function GetPlatformType() if readMemory(0x10000, 4) == 0x7F454C46 then return "ELF" -- Android/Linux elseif readString(0, 4) == "XBOX" then return "XBOX" end end 1.3 Обработка сетевых структур - Пробел: Не анализируются пакеты сетевого протокола, хотя они часто дублируют игровые структуры. - Доработка: Интеграция сниффера пакетов: function HookNetworkPackets() -- Фильтрация пакетов, содержащих координаты игроков PacketSniffer.filter("PlayerPosition", "xx xx ?? ?? xx FF") end --- 2. Ключевые направления для улучшений 2.1 Гибридный статико-динамический анализ - Идея: Комбинировать результаты CE с Ghidra: graph LR CE[Динамический анализ в CE] -->|Экспорт| Ghidra Ghidra[Статический анализ] -->|Импорт паттернов| CE 2.2 Система предсказания смещений - Метод: Использовать статистику обращений для предсказания важных полей: function PredictImportantOffsets() local stats = CollectAccessStats() return { health = stats.mostAccessed[1].offset, ammo = stats.mostWritten[3].offset } end 2.3 Визуализация в 3D - Инновация: Отображение структур как графа в 3D-пространстве (используя Cheat Engine's OpenGL): function Draw3DStructureGraph() for addr, links in pairs(graph) do RenderNode(addr, links, GetStructureColor(addr)) end end --- 3. Интеграция ИИ: конкретные применения 3.1 Классификация типов данных через ML - Подход: Нейросеть анализирует паттерны памяти: # Образец модели PyTorch class TypeClassifier(nn.Module): def forward(self, x): # x: [значения памяти, контекст инструкций] return torch.softmax(self.layers(x), dim=1) # Вероятности типов - Использование в Lua: function AIDetectType(address) local tensor = MemoryToTensor(address, 64) local result = ExecutePyScript("model.predict", tensor) return {"float", "int", "pointer"}[result] end 3.2 Генерация эксплойтов через ИИ - Пример: Автоматический поиск уязвимостей: function FindVulnerabilities() local patterns = AI_GenerateCrashPatterns() for _, pattern in ipairs(patterns) do if TryCorruptMemory(pattern) then LogExploit(pattern) end end end 3.3 NLP для анализа игрового кода - Применение: Автоматическое комментирование структур: function GenerateComments() local code = Disassemble(0x123456, 50) local comment = AI_AnalyzeCode(code) SetComment(0x123456, comment) -- Например: "Рендеринг частиц, цикл из 12 итераций" end --- 4. Практические примеры улучшений 4.1 Для читеров - Авто-определение уязвимостей: -- ИИ ищет паттерны для телепортации local teleportCheat = AI_FindMemoryPattern({ "float x,y,z", "write frequency > 1Hz", "range -1000..1000" }) 4.2 Для моддеров - Генерация SDK для модов: GenerateModSDK({ structures = analyzed_graph, hooks = FindCodeHooks(), api = AI_GenerateAPI() }) 4.3 Для разработчиков - Детектор багов: -- ИИ находит некорректные указатели local bugReports = AI_ScanFor( "dangling pointers", memory_ranges, expected_patterns ) --- 5. Что еще можно улучшить? 5.1 Оптимизация Проблема Решение Медленный поиск Кэширование + параллельные потоки Ложные срабатывания Ансамбли ИИ-моделей 5.2 Безопасность function AntiAntiCheat() -- Маскировка брейкпоинтов под легитимные вызовы HideDebugger({ stealth_mode = "SYSTEM_CALL", fake_patterns = GetNormalTrafficSamples() }) end 5.3 Пользовательский опыт \-- Голосовое управление читами RegisterVoiceCommand("дай бессмертие", function() SetGodMode(true) end) --- Итог: дорожная карта улучшений Срочные доработки (1-2 недели): Динамический трекинг структур ARM/консольная поддержка Среднесрочные (1-3 месяца): Интеграция ИИ для классификации 3D-визуализация Долгосрочные (6+ месяцев): Полный AI-ассистент для реверса Генерация читов через NLP Пример коммита для начала работ: \+ function AI_Integration() { \+ // Добавляем вызов Python ML-модели \+ local result = ExecutePython("predict_type.py", memoryDump) \+ } Готов реализовать любое из этих улучшений в вашем форке. Какое направление наиболее приоритетно?
Метки:
Скрипт сегодня №6
function onOpenProcess(processid)
  reinitializeSymbolhandler()
  local md5Process = GetMd5Process(processid)
  PrintMd5Process(process, md5Process)
  local isSupportedVersion = CheckingMd5CurrentProcess(md5Process)
  local lineResult = isSupportedVersion and 'Is supported version.' or 'Is not supported version.'
  if not isSupportedVersion then
    speakEnglish(lineResult, false)
    messageDialog('Error', lineResult, mtError, mbClose)
  end
end

Объяснение

В сети: