کجا باید به دنبال یک ناهنجاری فضایی در یک استالکر بود. اثر انبوه: آندرومدا - تحقیق، نقشه‌های اولیه، ساخت، اسکن و استخراج. نظر توسط Chiengmai

نظر از AngryClown

به سادگی سطح شیب دار را به سمت بالا از منطقه گروه ترکان دنبال کنید، و دیوار سمت راست را در آغوش بگیرید، از پله هایی که به منطقه اتحاد منتهی می شود بگذرید (از آن بالا نروید). شاید 20 یاردی از پله های کنار دیوار گذشته باشد. پیداش کن.

نظر از zazz999

نظر از jtbalogh

55، 26 (انتهای مسیر در وسط اتاق)
یا 63، 26 (روی دیوار)
یا 58، 27.4 (دیوار دیگری)
یا 62.7، 21.6 (بین مسیرها و پله ها)

در صورت تغییر مختصات دفعه بعد، متر را دنبال کنید.
- گوی فقط زمانی ظاهر شد که متر 97% بود (برای دیدن %)
- ظاهر شدن گوی یک ثانیه طول می کشد، بنابراین خیلی سریع از کنار آن رد نشوید.
- گوی در همان سطحی است که اوباش ارواح در منطقه خرابه های اوگودی هستند.

نظر از براتمونکی

نظر از چینگ مای

نظر از تاکگنول

نظر از تایر

). مانند یک پرت، "شیء جدید" جسمی است که از نظر خصوصیات با اشیاء نمونه (آموزشی) متفاوت است. اما بر خلاف یک پرت، هنوز در خود نمونه نیست (پس از مدتی ظاهر می شود و وظیفه دقیقاً تشخیص آن هنگام ظاهر شدن است). به عنوان مثال، اگر اندازه‌گیری‌های دما را تجزیه و تحلیل کنید و اندازه‌گیری‌های غیرعادی بزرگ یا کوچک را دور بریزید، در این صورت با موارد پرت دست و پنجه نرم می‌کنید. و اگر الگوریتمی ایجاد کنید که برای هر اندازه‌گیری جدید، شباهت آن را به اندازه‌گیری‌های قبلی ارزیابی می‌کند و الگوریتم‌های غیرعادی را بیرون می‌اندازد، «در حال مبارزه با تازگی» هستید.

انتشارات ناشی از:

• خطاهای داده ها (عدم دقت اندازه گیری، گرد کردن، ورودی های نادرست و غیره)
• وجود اشیاء نویز (اشیاء طبقه بندی نادرست)
• وجود اشیاء نمونه های "سایر" (به عنوان مثال، قرائت یک سنسور شکسته).

روی انجیر 1 نشان می‌دهد که نویز (نویز) «به معنای ضعیف» یک حالت پرت است (می‌تواند مرزهای کلاس/خوشه‌ای را کمی محو کند). ما در درجه اول به موارد پرت "به معنای قوی" علاقه مندیم که این مرزها را مخدوش می کنند.

تازگی، به عنوان یک قاعده، در نتیجه یک رفتار اساساً جدید شی ظاهر می شود. فرض کنید، اگر اشیاء ما توصیفی از عملکرد سیستم باشند، پس از نفوذ ویروس به آن، اشیا به "تازه" تبدیل می شوند. مثال دیگر شرح عملکرد موتور پس از خرابی است. در اینجا درک این نکته مهم است که «تازه» را بدیع می نامند به این دلیل چنین توصیفاتی برای ما کاملاً جدید است، و جدید هستند زیرا ما نمی توانیم اطلاعاتی در مورد انواع عفونت های ویروسی یا انواع خرابی ها در نمونه آموزشی داشته باشیم. تشکیل چنین نمونه آموزشی کار فشرده ای است و اغلب منطقی نیست. از سوی دیگر، جمع آوری نمونه به اندازه کافی بزرگ از نمونه های عملکرد عادی (عادی) یک سیستم یا مکانیزم امکان پذیر است.

برنامه های کاربردی در اینجا دریا هستند:

• تشخیص مشکوک عملیات بانکی(تقلب کارت اعتباری)
• تشخیص نفوذ
• شناسایی بازیکنان غیر استاندارد در صرافی (خودی)
• تشخیص نقص در مکانیسم ها بر اساس خوانش سنسور
• تشخیص پزشکی (تشخیص پزشکی)
• زلزله شناسی

لازم به ذکر است که اظهارات مشکل زیادی نیز وجود دارد. به عنوان مثال، وظیفه Classificatio n (آموزش PU) مثبت-بدون برچسب زمانی است که برخی از موارد پرت برچسب گذاری شده اند (کلاس 1)، اما اشیاء یادگیری باقیمانده (کلاس 0) نیز ممکن است حاوی موارد پرت باشند. به عنوان مثال، یک کارشناس به ما گفت که تجهیزات در فلان لحظات از کار افتاده است، اما او متوجه همه خرابی ها نشده است.

حتی زمانی که مشکلات تشخیص ناهنجاری شبیه به مشکلات طبقه‌بندی معمولی است، موارد عجیبی مانند عدم تعادل کلاس وجود دارد (به عنوان مثال، خرابی تجهیزات نسبتاً نادر است).

ناهنجاری ها فقط در داده های جدولی نیستند، بلکه می توانند در نمودارها، سری های زمانی و غیره باشند.

عملکردهای کیفی در وظایف تشخیص ناهنجاری تقریباً مانند کارهای طبقه بندی استفاده می شود: PR AUC، AUROC، در اینجا همه چیز توسط زمینه کار (مشتری) تعیین می شود.

روش های تشخیص پرت

1. آزمون های آماری

به عنوان یک قاعده، آنها برای ویژگی های فردی استفاده می شوند و مقادیر شدید (تحلیل ارزش فوق العاده) گرفته می شوند. برای این، به عنوان مثال، از اندازه Z-value یا Kurtosis استفاده می شود.

هر متخصصی روشی اثبات شده برای یافتن مقادیر شدید برای انواع داده های خاص دارد. بسیاری از روش های تجسم، مانند جعبه سبیل، دارای ابزارهای داخلی برای تشخیص و نمایش چنین مقادیر شدید هستند.

درک این نکته مهم است که ارزش افراطی و ناهنجاری مفاهیم متفاوتی هستند. به عنوان مثال، در یک نمونه کوچک

2. آزمون های مدل

ایده بسیار ساده است - ما مدلی می سازیم که داده ها را توصیف می کند. نقاطی که به شدت از مدل انحراف دارند (که در آن مدل بسیار اشتباه است) ناهنجاری هستند (شکل 2 را ببینید). هنگام انتخاب یک مدل، می توانیم ماهیت مشکل، کیفیت عملکرد و غیره را در نظر بگیریم.

چنین روش هایی برای تعیین تازگی خوب هستند، اما زمانی که به دنبال موارد دورافتاده هستند، بدتر عمل می کنند. در واقع، هنگام تنظیم مدل، از داده‌هایی استفاده می‌کنیم که دارای نقاط پرت هستند (و برای آنها "تیز" شده است).

روی انجیر 6 کاربرد رویکرد مدل را نشان می دهد. ما یک ماتریس داریم و باید موارد پرت را در آن پیدا کنیم. ما از یک تجزیه ارزش تکی ناقص (SVD) برای پیدا کردن یک ماتریس با رتبه کوچک استفاده می کنیم که تا حد امکان مشابه ماتریس ما باشد (برای وضوح، همه اعداد گرد هستند). عناصری که بسیار متفاوت از عناصر متناظر ماتریس رتبه پایین هستند، پرت در نظر گرفته می شوند.

3. روش های تکراری

روش هایی که شامل تکرارهایی است که هر کدام گروهی از "اشیاء بسیار مشکوک" را حذف می کند. به عنوان مثال، در یک فضای ویژگی n بعدی، می‌توانیم بدنه محدب نقاط-اشیاء خود را حذف کنیم و نمایندگان آن را به عنوان نقاط پرت در نظر بگیریم. به عنوان یک قاعده، روش های این گروه بسیار پر زحمت است.

4. روش های متریک

با قضاوت بر اساس تعداد انتشارات، اینها محبوب ترین روش ها در بین محققان هستند. آنها وجود معیارهایی را در فضای اجسام فرض می کنند که به یافتن ناهنجاری ها کمک می کند. به طور شهودی واضح است که یک نقطه پرت همسایه های کمی دارد، در حالی که یک نقطه معمولی همسایه های زیادی دارد. بنابراین، یک معیار خوب برای ناهنجاری می‌تواند مثلاً «فاصله تا همسایه k‌ام» باشد (به روش Local Outlier Factor مراجعه کنید). معیارهای خاصی در اینجا استفاده می شود، مانند فاصله Mahalanobis.

5. روش های جایگزینی کار

هنگامی که یک مشکل جدید به وجود می آید، وسوسه بزرگی برای حل آن با روش های قدیمی (معطوف به مشکلات از قبل شناخته شده) وجود دارد. برای مثال، می‌توانید خوشه‌بندی را انجام دهید، سپس خوشه‌های کوچک احتمالاً از ناهنجاری‌ها تشکیل می‌شوند. اگر اطلاعات جزئی در مورد ناهنجاری ها (مانند مسئله PUC) داشته باشیم، می توانیم آن را به عنوان یک مسئله طبقه بندی با کلاس های 1 (ناهنجاری های برچسب زده شده) و 0 (همه اشیاء دیگر) حل کنیم. اگر کلاس 0 فقط از اشیاء معمولی تشکیل شده باشد، چنین راه حلی کاملا قانونی خواهد بود، در غیر این صورت باید امیدوار بود که ناهنجاری های کشف نشده کمی در آن وجود داشته باشد.

6. روش های یادگیری ماشینی

اما اگر مشکل یافتن ناهنجاری ها را به عنوان یک مشکل جدید یادگیری ماشین (متفاوت از طبقه بندی و خوشه بندی) درک کنیم، چه؟

محبوب ترین الگوریتم ها (حتی در scikit-learn پیاده سازی وجود دارد) اینجا هستند:

• ماشین بردار پشتیبانی کلاس تک (OneClassSVM)
• جنگل ایزوله (IsolationForest)
• تناسب بیضی با داده ها (EllipticEnvelope)

• هسته– هسته (خطی: خطی، چند جمله ای: چند، توابع پایه شعاعی: rbf، سیگموئیدی: سیگموئید، سفارشی)
• شماره- کران بالا در % خطاها و کران پایین در % بردارهای پشتیبانی (به طور پیش فرض 0.5)
• درجهدرجه برای هسته چند جمله ای است
• گاما- ضریب برای ویژگی هسته (به طور پیش فرض 1/n_features)
• coef0- پارامتر در تابع هسته چند جمله ای یا سیگموئیدی

• n_ برآوردگرها- تعداد درختان
• max_samples- اندازه نمونه برای ساخت یک درخت (اگر یک عدد واقعی است، پس درصد کل نمونه)
• آلودگینسبت موارد پرت در نمونه (برای انتخاب آستانه) است.
• max_features- تعداد (یا درصد) ویژگی هایی که هنگام ساخت یک درخت استفاده می شود (تا کنون فقط با مقدار 1.0 کار می کند)
• بوت استرپ- حالت بوت استرپ را هنگام نمونه گیری فرعی فعال کنید

7. مجموعه ای از الگوریتم ها

ایده "یک الگوریتم خوب است، اما صد بهتر است" در روش‌های حل مشکلات تشخیص ناهنجاری نیز نفوذ کرده است، بنابراین الگوریتم‌های مختلفی اغلب ساخته می‌شوند. هر یک از آنها تخمینی از ناهنجاری ارائه می دهد و سپس این تخمین ها "میانگین" می شوند.

از آنجایی که نکته کلیدی در مشکلات تشخیص ناهنجاری واقعی، انتخاب ویژگی‌هایی است که انحرافات خاصی از هنجار را مشخص می‌کنند، الگوریتم‌های مجموعه‌ای ساخته می‌شوند تا فضاهای خوب را حدس بزنند. در اینجا محبوب هستند:

• ویژگی Bagging(نام خیلی خوبی نیست) - برای هر الگوریتم، یک زیرفضای ویژگی تصادفی گرفته می شود،
• بسته بندی چرخشی- در زیرفضای ویژگی تصادفی انتخاب شده، یک چرخش تصادفی انجام می شود.

به هر حال، در اینجا "میانگین" لزوماً به معنای میانگین حسابی همه تخمین ها نیست، به طور شهودی واضح است که ماکزیمم اغلب می تواند کار کند (اگر برخی از الگوریتم ها از شی غیرعادی مطمئن باشند، به احتمال زیاد چنین است).

تاریخچه از تمرین

در کارهای جستجوی غیرعادی، درک نحوه عملکرد الگوریتم های جستجو و توضیح این موضوع برای مشتری مهم است. به عنوان مثال، زمانی که نویسنده آخرین بار درگیر حل یک مشکل مشابه بود، مشتری ابزاری برای تشخیص خرابی می‌خواست، اما به دلیل ماهیت مدل، الگوریتم تشخیص "تجهیزات نادرست"، یعنی. نه تنها در صورت خرابی، بلکه در صورت عملکرد نادرست دستگاه و همچنین هنگام کار در حالت های بسیار نادر سیگنال می دهد. برخی از خرابی ها (بسیار مکرر) او هنوز از دست رفته، زیرا. "آنها قبلاً برای دستگاه تبدیل شده اند." واضح است که اگر نمونه بزرگی با برچسب وجود داشت، چنین مشکلاتی ایجاد نمی شد، اما در عمل تجهیزات برای مدت طولانی کار نمی کنند، همچنین خرابی های کمی وجود دارد (و همه موارد ممکن اتفاق نمی افتد) و ممکن است برخی از خرابی ها وجود نداشته باشد. متوجه شده یا با تاخیر متوجه شده است. علاوه بر این، برخی از خرابی ها به هیچ وجه بر خوانش سنسورها تأثیر نمی گذارد. در ابتدا، مشتری از کیفیت بسیار ناراحت بود، اما زمانی که آنها نحوه عملکرد الگوریتم را توضیح دادند، مشتری داده های تست را بررسی کرد و مطمئن شد که الگوریتم بسیار مفید است، حتی اگر هیچ خرابی پیدا نکند: می توان از آن به عنوان استفاده کرد. یک تأیید کننده "آیا دستگاه در حالت عادی کار می کند یا خیر" و این مهمترین چیز است.

P.S. کد به دست آوردن شکل 10 را می توان گرفت.

(نیروگاه های هسته ای، ارتباطات زیرزمینی -، معادن، دفن زباله ها، ارتباطات زیرزمینی، گورستان ها)؛
- در مکان های سکونت او (به دلیل درگیری ها، و همچنین به دلیل اشیاء مختلفی که در ساختار انرژی اتاق تغییراتی ایجاد می کنند - نقاشی ها، مجسمه ها و غیره)؛
- در مکان های برخورد بشقاب پرنده ها و سایر اشیاء ناشناخته روی سطح.
این مناطق غیرعادی برای سلامت روحی و جسمی فرد مضر است. بیخود نیست که در میان مردم آنها مکانهای "مرده" هستند. اما آنها دیگری نیز دارند سمت عقب: در مناطق ناهنجار چندین برابر مکان‌های معمولی، پدیده‌های پولترژیست، تعامل با بشقاب پرنده‌ها رخ می‌دهد و این مکان‌ها، به گفته فراروان‌شناسان، دریچه‌ای به جهان‌های موازی هستند.

اگرچه مناطق غیرعادی هنوز برای علم شناخته نشده اند، اما متوجه شده اند که این مناطق در نزدیکی آب های زیرزمینی قرار دارند (آنها یک حرکت دایره ای انرژی ایجاد می کنند) یا چرخش رودخانه ها. حضور باندهای قدرتمند ژئوپاتیک در چنین مکانی نیز مورد توجه قرار گرفت. علاوه بر این، مناطق غیرعادی در مکان های خروج سنگ، گسل ها قرار دارند.

در مطالعه مناطق ناهنجار، اطلاعات انباشته شده و شهود محقق اهمیت آخری ندارد. نتیجه گیری در مورد ماهیت منطقه را می توان در طول اندازه گیری میدان های انرژی، با توجه به ظاهرزمین، رفتار حیوانات، پوشش گیاهی. پس از اینکه تصویر کلی از این نشانه ها به دست آمد، می توان نتیجه گیری کرد. با داشتن تجربه کافی در مطالعه مناطق نابهنجار، می توان از قبل در هنگام نزدیک شدن به آن، ایده ای از منطقه ایجاد کرد. و همچنین برای افشای ماهیت منطقه یا حداقل تأثیر آن بر شخص و خطر در هنگام بازدید از این مکان.

بنابراین هشداری جداگانه برای کسانی که عادت به اقدام فوری دارند: بازدید از مناطق غیرعادی برای سلامت جسمی، روانی و حتی جان یک محقق بی خطر نیست. مناطق غیرعادی تأثیر قوی و معمولاً منفی بر ساختارهای انرژی فرد دارند. هنگام اندازه گیری میدان های انرژی یک فرد قبل و بعد از بازدید از منطقه، آنها موارد زیر را نشان دادند: پس از بازدید از چنین منطقه ای، انرژی انسان دارای "ساختار پاره شده" است. علاوه بر این، اگر بیوفیلد معمولی انسان به شکل تخم مرغ باشد، فقط در طرفین کمی مسطح شده باشد، پس از بازدید از ناحیه ناهنجار، این یکی یکپارچگی پیله را از بین می برد و در برخی موارد ممکن است اصلاً قابل مشاهده نباشد. همه اینها مملو از مشکلات سلامتی است. در نتیجه لازم است که محقق ساختارهای انرژی خود را در حالت متعادل و هماهنگ نگه دارد که برای آن باید تمرینات خاصی (مثلاً تکنیک هایی برای چاکراها) انجام شود.

نشانه های زیادی از وجود یک منطقه غیرعادی وجود دارد. در اینجا برخی از آنها آورده شده است:
- هنگام انجام اندازه‌گیری‌های زیستی، آونگ یا قاب دوزینگ به طرز عجیبی رفتار می‌کنند.
- نگاه به طور غیر ارادی به منطقه خاصی می چسبد، به آن جذب می شود.
- عدم حضور همه موجودات زنده در مکان های محلی؛
- پوشش گیاهی با ظاهری عجیب که به نوعی با پوشش گیاهی واقع در نزدیکی منطقه متفاوت است.
- رفتار نامناسب حیوانات؛
- انواع مختلف صداها که ظاهر آنها با توضیح منطقی مخالفت می کند.
- تصاویر و چشم اندازهای در حال ظهور؛
- وجود اشیاء عجیب و غریب؛
-احساسات غیرمعمول در بدن و روان هنگام حضور در منطقه.

ویدیوی معرفی

فصل 1: بدون فرار

سوگ لاشخور

15. ما جسد Scavenger را پیدا می کنیم، ورودی های PDA او را می خوانیم، مخفیگاه او را پیدا می کنیم، با استفاده از تله پورتر از آن خارج می شویم.


16. در مورد اطلاعات خوانده شده از PDA به او می گوییم، ما وظایفی را برای جستجوی Scavenger Swag و رمزگشا دریافت می کنیم. ما به دوبلوم و ارتش می رویم.
17. نظامی می خواهد دو سیم پیچ و یک باتری برای فرستنده پیدا کند و دوبولوم برای کشتن کایمرا کمک می خواهد، ساعت 2 بامداد منتظریم.
18. ما اقلام اضافی را اجاره می کنیم. ماموریت ها
19. ساعت 2 بامداد با دوبولوم به پناهگاه می رویم، کایمرا را می کشیم، به پایگاه برمی گردیم، با او صحبت می کنیم، به سراغ مارکوس می رویم.
توجه!اگر تا این مرحله هیچ آرتیفکتی برای مارکوس پیدا نشده باشد، کوئست با شکست مواجه خواهد شد.
20. ما با مارکوس صحبت می کنیم، وظیفه جستجوی گمشده ها را داریم - آستین ها.
21. حافظه پنهان Scavenger را پیدا می کنیم، به Fierce برمی گردیم، منتظر می مانیم تا Screw بتواند جعبه ظرف را بشکند.
22. در زیرزمین در مرکز مکان، روح خوابیده را پیدا می کنیم، یادداشت را بردارید و بخوانید، ودکا را از روی میز بنوشید.
23. خودمان را در زیرزمین می یابیم، به آخر می رسیم، آستین زامبی شده ظاهر می شود، او را می کشیم، نشانه را می گیریم، با گوشه نشین صحبت می کنیم، به سمت مارکوس برمی گردیم.
24. پس از صحبت با مارکوس، یک پیام SOS دریافت می کنیم، به محل می رویم.
25. با مراد صحبت می کنیم، او را به اردوگاه بیاورید.
26. بریم ببینیم جعبه کانتینر Scavenger اونجا چیه، درست رو انتخاب کن، برو فیرس.
27. با فیرس صحبت می کنیم، برای جزئیات برو پیش مراد، از او باتری بگیر، برو پیش مارکوس.

سیم مسی برای اولینیک

رمزگشا

قدیمی‌های Stalker مدت‌هاست که از مد فوق‌العاده Spatial Anomaly (به‌روزرسانی 4) اطلاع داشتند که می‌توانید آن را در این صفحه دانلود کنید. در طی اولین گذر از اصلاح، بازیکن ممکن است در یافتن برخی از آیتم‌ها و شخصیت‌های جستجو با مشکل مواجه شود، زیرا ماموریت‌ها و مکان‌های جدید و تا به حال ناشناخته به مد اضافه شده‌اند. بیایید سعی کنیم بیشترین را برجسته کنیم لحظات سختهنگام عبور از این مد فوق العاده

سوال. کجا به دنبال پیچ و تاب مصنوع باشیم؟
پاسخ. پیچش در ناهنجاری نزدیک مخزن، نزدیک حصار نهفته است.

سوال. من نمی توانم ایستگاه رادیویی کاتر را پیدا کنم!
پاسخ. نگران نباشید و در داستان حرکت کنید، همانطور که پیشرفت می کنید ایستگاه رادیویی را دریافت خواهید کرد.

سوال. کارتریج برای تفنگ تک تیراندازکجا برای SVD جستجو کنیم؟
پاسخ. UAZ ها در طول جاده پراکنده شده اند. در یکی از UAZ های روی زمین، به دنبال فشنگ تفنگ بگردید.

سوال. من نمی توانم یک استالکر به نام Scavenger پیدا کنم؟
پاسخ. با دقت به دنبال یک تله پورت ناهنجار در نزدیکی مخزن باشید، باید به داخل آن بپرید. این ناهنجاری درست بین درختان کریسمس بزرگ و کوچک واقع شده است.

سوال. من همه جا را گشتم، اما نمی توانم کتک کاری لاشخور را پیدا کنم!
پاسخ. اسکرین شات را ببینید. ما باید به سمت پای جسد رفتگر برویم، کیسه ای در علف است.

سوال. چگونه از لانه Stronglav خارج شویم؟
پاسخ. به دنبال کیسه پشت شیر ​​آب بگردید، رمزگشا وجود دارد.

سوال. یک استالکر به نام گیلزا کجا زندگی می کند؟
پاسخ. شب در زیرزمین می نشیند، شب دیر می آید آنجا.

سوال. چگونه دوبولوم را تغذیه کنیم، چگونه برای او غذا بپزیم؟
پاسخ. ما به گرازها شلیک می کنیم. ما به اجساد نزدیک می شویم، (اما نه همیشه!) کتیبه "گوشت را قطع کنید" ظاهر می شود. سپس به آتش نزدیک می شویم و گوشت را می پزیم.

سوال. دفتر یادداشت کوئست زوهان را از کجا می توانم پیدا کنم؟
پاسخ. به دنبال دفترچه زیر درخت نزدیک آتش بگردید.

سوال. ابزار کار خشن کجاست؟
پاسخ. ما به دنبال ابزاری در کوردون هستیم، در خانه ای که فاکس را در آن نجات دادیم بازی اصلی"سایه چرنوبیل".

سوال. چگونه ابزار کار خوب را پیدا کنیم؟
پاسخ. اطراف تونل دره تاریک، در بالای یکی از جعبه ها ابزار هستند.

سوال. از کجا می توانم ابزارهای کالیبراسیون را پیدا کنم؟
پاسخ. آنها را می توان روی سقف یک لوکوموتیو خارج شده از ریل پیدا کرد.

سوال. کجا باید در کارخانه به دنبال شواهد بود؟
پاسخ. ما به میز کار نگاه می کنیم که 90 درجه چرخیده است. اسکرین شات برای کمک

سوال. استالکر Lefty کجا زندگی می کند؟
پاسخ. ما در کارخانه متالورژی در دورترین کارگاه به دنبال او هستیم.

سوال. من می خواهم هر دو ماشین "Whirlwind" را پیدا کنم!
پاسخ. ما با همه استالکرهای پایگاه که در مورد مسلسل ها گفتگو می کنند صحبت می کنیم. سپس با راهزن زندانی به قفس نزدیک می شویم، با او ارتباط برقرار می کنیم.

سوال. چگونه ورودی آزمایشگاه X-7 را پیدا کنیم؟
پاسخ. در نزدیکی یک توده بزرگ زباله یک دریچه مهر و موم شده وجود دارد.

سوال. خروجی از آزمایشگاه X-7 کجاست؟
پاسخ. ما با Fierce ارتباط برقرار می کنیم و سپس به سوراخ بزرگی در کف بتنی می پریم.

ویدیوها از عبور کاملمد "ناهنجاری فضایی" به اینجا نگاه کنید: