Украсть флаг у противников и убежать — такой режим есть почти в каждом онлайн-шутере. В IT его превратили в отдельный вид спорта. Capture the Flag, то есть «Захвати флаг» — это соревнования, где нужно искать спрятанные уязвимости в коде или совершать кибератаки на другие команды. Вот как это устроено.

При чём тут флаги

Идея возникла благодаря популярной в англоязычном мире игре на открытом воздухе «Захват флага». Её участники должны забрать флаг у соперников и унести его на свою территорию. В 1996 году эту логику перенесли в IT на конференции по кибербезопасности DEF CON в Лас-Вегасе. Только вместо флагов участникам нужно было атаковать чужие серверы и защищать свои.

Где всё проходит

Сейчас CTF-турниры проводят вузы, школы и корпорации по всему миру. Обычно такие игры похожи на онлайн-олимпиады: участники регистрируются, получают задания на сайте, выполняют их и отслеживают набранные очки на таблице. Но есть и офлайн-форматы, когда команды собираются в больших аудиториях.

Основные форматы CTF

🔵 Attack-Defense. Классический формат, где командам выделяют по серверу с уязвимостями. Участники должны устранять их и атаковать чужие серверы, чтобы добыть «флаги» — данные, за которые дают очки.

🔵 Jeopardy. Формат вдохновлён телевикториной, в России известной как «Своя игра». Участники сами выбирают задания разной сложности в таких категориях, как криптография, поиск уязвимостей, имитация атак и другие. За их выполнение начисляют очки.

🔵 Царь горы. Команды атакуют одну систему. Затем первая, получившая к ней доступ, пытается устранить уязвимости и защитить её от соперников. Очки начисляются за время, в течение которого команда удерживает систему под своим контролем.

Зачем в это играть

На соревнованиях нужно разбирать чужой код, замечать закономерности, проверять гипотезы, а также думать одновременно про атаку и защиту. Поэтому CTF — безопасная среда, в которой можно обучаться и отрабатывать навыки в формате игры.

Где можно попробовать

Яндекс поддерживает проект Frontend CTF — браузерную игру, которая развивается уже несколько лет. В ней есть сюжет, прописанные персонажи, своё сообщество и задания с поиском флагов. Чтобы их выполнить, пригодятся знания фронтенда и инструментов разработки. Подробнее о том, как и зачем создаётся это соревнование, можно прочитать в статье на Хабре.

Подписывайтесь 👉 @techno_yandex

🔴 Как Яндекс Дропс сохраняют мысли, идеи и важные дела?

Рассказываем про «Мою память» и другие функции первого носимого ИИ-устройства Яндекса — в yet another podcast #55.

↘️ Смотрите подкаст на YouTube и в VK Видео, а также слушайте на Яндекс Музыке. Больше ответов на ваши вопросы про наушники — здесь.

Подписывайтесь 👉 @yandex

Нейросети дешевеют, агенты развиваются

В Сеуле состоялась одна из главных мировых конференций по машинному обучению International Conference on Machine Learning (ICML). Команда Яндекса представила на ней восемь статей и получила награду за лучшую статью на воркшопе Graph Foundation Models: A New Era for Graph Machine Learning. А мы попросили Сергея Юдина, руководителя отдела разработки ИИ-сервисов, рассказать, что ждать от ИИ в ближайшем будущем.

Тренд № 1. Теория становится практикой

В сфере ИИ стирается граница между теоретическими исследованиями и практикой. Учёные исследуют то, что создают разработчики, а премии получают открытия и технологии, которые завтра будут доступны всем. Две работы получили ICML 2026 Outstanding Paper Award. Обе связаны с диффузионными моделями, а одна из них — с dLLM. Диффузионные языковые модели могут параллельно генерировать несколько токенов на одном шаге и в отдельных сценариях заметно сокращать время генерации.

Тренд № 2. Агенты и харнесс

Агентские системы быстро развиваются и уже используются в отдельных промышленных сценариях. При этом надёжность, оценка качества и безопасная автономная работа остаются открытыми инженерными проблемами. А харнесс — всё, что окружает языковую модель в агентской системе, — стал предметом серьёзного изучения. Разработчики анализируют:

🔵 память агентов — эпизодическую и процедурную, обучение на собственном опыте, обучение с подкреплением (reinforcement learning, RL) поверх памяти

🔵 рабочие процессы: как научить агента делать параллельно несколько задач, как эффективно распределять агентские запросы по серверам

🔵 безопасность: агент, читающий чужие документы, уязвим к промпт-инъекциям. Организаторы ICML встроили в PDF статей инъекции, чтобы выявить рецензентов, нарушавших определённый запрет на использование LLM из правил. Было обнаружено 795 таких рецензий от 506 рецензентов. У 398 из них были собственные активные заявки на конференцию. В результате ICML отклонила 497 связанных с ними статей.

Тренд № 3. Дешёвое обучение

RL-дообучение LLM становится доступнее: открытые инструменты и более экономные методы снижают требования к инфраструктуре. Премию ICML 2026 Test of Time получила работа 2016 года Asynchronous Methods for Deep Reinforcement Learning. Идея параллельных actor-learners стала одним из важных предшественников современной инфраструктуры RL-посттрейна LLM. В одной из новых работ авторы экспериментально показали, что классический оптимизатор SGD в исследованных сценариях RLVR работает не хуже AdamW и требует меньше памяти. Для Qwen3-1.7B пиковое потребление GPU-памяти снизилось на 15,7 ГБ. Такие оптимизации снижают порог для локального посттрейна LLM.

Подписывайтесь 👉 @techno_yandex