This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ Как запустить Qwen у себя на ПК с Python
Совет: если хочешь развернуть Qwen локально без облака, проще всего поставить её через Transformers - модель скачивается один раз и дальше работает офлайн.
Подходит даже для слабых ПК, если брать маленькие версии (например, Qwen-2.5-1.5B-Instruct).
https://www.youtube.com/shorts/xq69dAtRigU
Совет: если хочешь развернуть Qwen локально без облака, проще всего поставить её через Transformers - модель скачивается один раз и дальше работает офлайн.
Подходит даже для слабых ПК, если брать маленькие версии (например, Qwen-2.5-1.5B-Instruct).
# Установка:
# pip install transformers accelerate torch
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
MODEL_NAME = "Qwen/Qwen2.5-1.5B-Instruct"
# Модель и токенайзер загрузятся один раз — потом работают офлайн
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForCausalLM.from_pretrained(
MODEL_NAME,
torch_dtype=torch.float16,
device_map="auto" # автоматически использует GPU, если есть
)
prompt = "Объясни простыми словами, чем контейнер отличается от виртуальной машины."
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
**inputs,
max_new_tokens=200,
do_sample=True,
temperature=0.7
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
https://www.youtube.com/shorts/xq69dAtRigU
👍3❤1
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
ChatGPT Health — отдельный раздел чат-бота исключительно для запросов, связанных со здоровьем, с возможностью интеграции с сервисами трекинга: Apple Health, MyFitnessPal, а также с личными медицинскими записями для анализа результатов анализов и истории болезни.
Вопросы приватности и безопасности данных решены с помощью многоуровневого шифрования и отдельной инфраструктуры; данные из ChatGPT Health по умолчанию не используются для обучения основных моделей ChatGPT.
Доступ к бета-версии открыт через лист ожидания для пользователей за пределами ЕС, Швейцарии и Великобритании; интеграция с медицинскими картами пока доступна только в США.
openai.com
Министерство торговли КНР начало расследование приобретения стартапа Manus. Власти подозревают, что релокация сотрудников и технологий компании из Китая в Сингапур с последующей продажей американскому техно-гиганту могла быть попыткой обхода требований по лицензированию экспорта технологий.
Команда и основатели Manus покинули Китай летом 2025 года, чтобы дистанцироваться от геополитических рисков. Этот маневр позволил привлечь $75 млн. от американского фонда Benchmark, что ранее уже вызывало вопросы у Минфина США.
Компания Цукерберга утверждает, что на момент закрытия сделки в Manus не осталось китайского капитала, однако Пекин намерен выяснить, легально ли технологии покинули страну до того, как стартап сменил юрисдикцию.
ft.com
Компании объявили о расширении партнерства ради создания единой среды Industrial AI Operating System. Она построена на концепции централизованного интеллекта, который позволит непрерывно анализировать цифровые двойники и валидировать любые производственные изменения в виртуальной среде до их реализации в поле. Эталоном такого производства станет завод Siemens в немецком Эрлангене.
Для инженеров альянс готовит новые инструменты. В середине 2026 года выйдет Digital Twin Composer на движке NVIDIA Omniverse для построения промышленных мета-вселенных, а интеграция библиотек CUDA-X в программный стек Siemens обещает кратный прирост производительности в проектировании полупроводников и тяжелых инженерных симуляциях.
press.siemens.com
Artificial Analysis представила 4-ю версию рейтинга ИИ-моделей, зафиксировав жесткую конкуренцию между топовыми игроками. Формальное лидерство досталось GPT-5.2 (Х-High), однако Claude Opus 4.5 и Gemini 3 Pro отстают от нее с минимальным разрывом, фактически образуя тройку равных лидеров.
В новой итерации индекса заметно просели абсолютные показатели: лучшие модели теперь набирают в районе 50 баллов против 73 в прошлой версии. Это связано с ужесточением методологии и ротацией тестовых наборов.
На смену AIME 2025 и MMLU-Pro пришли более суровые тесты: AA-Omniscience для проверки эрудиции и склонности к галлюцинациям, GDPval-AA для прикладных задач в 44 сферах и CritPt, оценивающий способности в физических исследованиях. Итоговый балл формируется из 4-х категорий: агенты, программирование, научное мышление и общие задачи.
Artificial Analysis в сети Х
Команда из Университета Ватерлоо решила одну из фундаментальных проблем квантовых вычислений — невозможность прямого копирования информации. Суть метода, описанного в Physical Review Letters, заключается в шифровании квантовой информации в процессе ее копирования.
Как поясняют авторы, запрет на клонирование можно обойти, если создавать неограниченное количество зашифрованных дубликатов кубитов. Механизм защиты работает через одноразовые ключи: как только пользователь расшифровывает одну из копий, ключ автоматически аннулируется.
Это открытие фактически легализует создание «квантового облака». Технология позволяет хранить квантовые данных на распределенных серверах и создать аналог квантового Dropbox или Google Drive.
uwaterloo.ca
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2❤1👍1
MIT: большие датасеты не всегда нужны - можно вычислить “минимум данных”, который гарантирует лучший ответ
Мы привыкли думать так:
чем больше данных соберём - тем точнее решение.
Но исследователи (в том числе команда MIT) показали другой подход: можно алгоритмически определить минимальный набор измерений, который *уже гарантирует оптимальное решение*.
То есть система отвечает на вопрос не “примерно”, а строго:
👉 *какие именно данные нужно собрать, чтобы получить точно лучшее решение*
и где можно остановиться, не теряя качества.
В чём суть (по-человечески):
обычно мы собираем тонны данных “на всякий случай” - чтобы оценить всё подряд.
А новый метод делает иначе:
- находит конкурирующие оптимальные варианты
- и измеряет только то, что реально способно изменить выбор лучшего
- всё остальное - лишнее
Главный кайф:
это не “в среднем работает” и не “в большинстве случаев”.
Метод даёт математическую гарантию:
выбранного маленького набора данных *достаточно*, чтобы получить точный optimum.
Почему это важно:
в задачах вроде
- логистики и маршрутизации
- supply chain
- энергосетей и power grid
Каждое измерение может быть: дорогим, медленным, опасным или редким.
И вместо бесконечного “соберём ещё данных”
появляется принципиальное правило остановки:
собираем только то, что реально влияет на оптимальный выбор - и получаем 100% уверенность.
Это мощный сдвиг “сколько данных нужно?” становится не догадкой, а задачей проектирования с доказательством.
Мы привыкли думать так:
чем больше данных соберём - тем точнее решение.
Но исследователи (в том числе команда MIT) показали другой подход: можно алгоритмически определить минимальный набор измерений, который *уже гарантирует оптимальное решение*.
То есть система отвечает на вопрос не “примерно”, а строго:
👉 *какие именно данные нужно собрать, чтобы получить точно лучшее решение*
и где можно остановиться, не теряя качества.
В чём суть (по-человечески):
обычно мы собираем тонны данных “на всякий случай” - чтобы оценить всё подряд.
А новый метод делает иначе:
- находит конкурирующие оптимальные варианты
- и измеряет только то, что реально способно изменить выбор лучшего
- всё остальное - лишнее
Главный кайф:
это не “в среднем работает” и не “в большинстве случаев”.
Метод даёт математическую гарантию:
выбранного маленького набора данных *достаточно*, чтобы получить точный optimum.
Почему это важно:
в задачах вроде
- логистики и маршрутизации
- supply chain
- энергосетей и power grid
Каждое измерение может быть: дорогим, медленным, опасным или редким.
И вместо бесконечного “соберём ещё данных”
появляется принципиальное правило остановки:
собираем только то, что реально влияет на оптимальный выбор - и получаем 100% уверенность.
Это мощный сдвиг “сколько данных нужно?” становится не догадкой, а задачей проектирования с доказательством.
👍2❤1
Отсылка к знаменитой исторической истории про Александра Македонского и его легендарного коня Буцефала.
Коротко сюжет:
К торговцу привели огромного дикого коня и предложили царю Филиппу II купить его за 13 талантов (по тем временам — почти безумные деньги).
Проблема — конь был настолько неуправляемый, что никто не мог даже приблизиться, а любой всадник мгновенно летел в пыль.
Все дрессировщики сдались. Царь уже собирался отказаться.
И тут выходит юный Александр (ещё подросток) и заявляет:
> “Вы теряете отличного коня из-за собственной глупости.”
Его высмеивают, отец отчитывает, но Александр настаивает и даже заключает пари:
если не справится — оплатит коня сам.
А дальше гениальная деталь.
Александр не стал давить силой — он заметил то, чего не видел никто:
Буцефал панически боялся собственной тени.
Он спокойно развернул коня мордой к солнцу — тень ушла назад, исчез главный источник страха.
Конь моментально успокоился.
Александр погладил его, сел верхом — и спокойно уехал.
Толпа в шоке. Все аплодируют.
С тех пор появилась почти символическая мысль:
“Только Александр мог укротить Буцефала.”
То есть только человек с исключительным умом и смелостью может решить то, что другим кажется невозможным.
И вот почему пасхалка DeepSeek выглядит как тонкий намёк:
> “Не каждому дано понять и сделать то что неужно. Только гении способны на это.”
Очень красивая, почти дерзкая отсылка.
mp.weixin.qq.com/s/L7YawzhHCACBQsiEb7w-Tw
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1
NVIDIA и Basecamp Research представили ИИ-технологию редактирования ДНК.
NVIDIA и биотех-стартап Basecamp Research анонсировали технологию программируемой вставки генов. В основе метода - биологические ИИ-модели NVIDIA EDEN.
Разработчики заявляют, что им удалось (basecamp-research.com/wp-content...) решить одну из фундаментальных задач медицины: безопасную замену участков ДНК в строго определенных локациях. Новая технология позволяет интегрировать генетический код без разрушения цепей, снижая риски мутаций.
Испытания подтвердили эффективность метода в более чем 10 000 точек человеческого генома. Технология продемонстрировала способность уничтожать раковые клетки и бороться с супербактериями, резистентными к антибиотикам.
https://basecamp-research.com/wp-content/uploads/2026/01/BCR_Designing-programmable-therapeutics-with-the-EDEN-family-of-foundation-models.pdf
#NVIDIA
NVIDIA и биотех-стартап Basecamp Research анонсировали технологию программируемой вставки генов. В основе метода - биологические ИИ-модели NVIDIA EDEN.
Разработчики заявляют, что им удалось (basecamp-research.com/wp-content...) решить одну из фундаментальных задач медицины: безопасную замену участков ДНК в строго определенных локациях. Новая технология позволяет интегрировать генетический код без разрушения цепей, снижая риски мутаций.
Испытания подтвердили эффективность метода в более чем 10 000 точек человеческого генома. Технология продемонстрировала способность уничтожать раковые клетки и бороться с супербактериями, резистентными к антибиотикам.
https://basecamp-research.com/wp-content/uploads/2026/01/BCR_Designing-programmable-therapeutics-with-the-EDEN-family-of-foundation-models.pdf
#NVIDIA
❤3👍1
🧠 Бесплатные курсы по нейросетям собрали в одном месте - на удобном сайте с подборкой материалов от OpenAI, Microsoft и других топовых компаний.
Проект Learn AI Go Where - это десятки проверенных курсов, гайдов и полезных ссылок по ИИ, которые реально стоит пройти. Без мусора и бесконечного поиска по всему интернету.
https://www.learnaigowhere.com/
Проект Learn AI Go Where - это десятки проверенных курсов, гайдов и полезных ссылок по ИИ, которые реально стоит пройти. Без мусора и бесконечного поиска по всему интернету.
https://www.learnaigowhere.com/
❤2
This media is not supported in your browser
VIEW IN TELEGRAM
Сотрудники казино в Китае разоблачили женщину, использующую высокотехнологичные контактные линзы во время игры.
👍2❤1😁1
Слухи и ожидания говорят о целой волне крупных релизов в ближайшие 30 дней:
• DeepSeek V4
• ByteDance Doubao 2.0
• Alibaba Qwen 3.5
• Kling 3.0
• Seedance 2.0
• GPT-5.3
• Grok 4.20
• Claude 4.6
• Gemini 3 (GA)
• Siri от Apple на базе Gemini
• Meta Avocado
• новый Codex
Если хотя бы половина из этого выйдет, нас ждёт резкий скачок в возможностях моделей — от генерации текста и кода до видео, мультимодальности и встроенных AI-функций в повседневных продуктах.
Гонка ускоряется: крупные лаборатории, бигтех и китайские компании выпускают новые поколения моделей всё быстрее, и каждый релиз поднимает планку ожиданий.
Ближайший месяц может сильно поменять расклад сил в AI-индустрии.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
🚀 Вышла новая модель для кодинга - Qwen3-Coder-Next (линейка Qwen).
Это open-weight LM, заточенная под кодинг-агентов и локальную разработку.
Что внутри:
🤖 Около 800K проверяемых задач + окружения, где код можно реально исполнять, а не просто генерировать текст.
📈 Баланс эффективность / качество
Модель с 80B общих параметров и ~3B активных показывает сильные результаты на SWE-Bench Pro при относительно экономичном инференсе.
✨ Экосистема инструментов
Заявлена поддержка сценариев с агентами и дев-инструментами: OpenClaw, Qwen Code, Claude Code, веб-разработка, работа через браузер, Cline и т.д.
В целом это ещё один шаг к моделям, которые проектируются не просто как "LLM для текста", а как движок для реальных кодинг-агентов.
🤗 Hugging Face: https://huggingface.co/collections/Qwen/qwen3-coder-next
🤖 ModelScope: https://modelscope.cn/collections/Qwen/Qwen3-Coder-Next
📝 Blog: https://qwen.ai/blog?id=qwen3-coder-next
📄 Tech report: https://github.com/QwenLM/Qwen3-Coder/blob/main/qwen3_coder_next_tech_report.pdf
Это open-weight LM, заточенная под кодинг-агентов и локальную разработку.
Что внутри:
🤖 Около 800K проверяемых задач + окружения, где код можно реально исполнять, а не просто генерировать текст.
📈 Баланс эффективность / качество
Модель с 80B общих параметров и ~3B активных показывает сильные результаты на SWE-Bench Pro при относительно экономичном инференсе.
✨ Экосистема инструментов
Заявлена поддержка сценариев с агентами и дев-инструментами: OpenClaw, Qwen Code, Claude Code, веб-разработка, работа через браузер, Cline и т.д.
В целом это ещё один шаг к моделям, которые проектируются не просто как "LLM для текста", а как движок для реальных кодинг-агентов.
🤗 Hugging Face: https://huggingface.co/collections/Qwen/qwen3-coder-next
🤖 ModelScope: https://modelscope.cn/collections/Qwen/Qwen3-Coder-Next
📝 Blog: https://qwen.ai/blog?id=qwen3-coder-next
📄 Tech report: https://github.com/QwenLM/Qwen3-Coder/blob/main/qwen3_coder_next_tech_report.pdf
👍4❤3
🔌 OpenAI продолжает собирать лучшие умы индустрии.
На этот раз компания пригласила к себе Питера Штайнбергера - создателя нашумевшего проекта OpenClaw.
Сам Альтман назвал его «гением». В OpenAI он будет работать над следующим поколением персональных AI-агентов и именно агенты, по словам компании, станут основой будущих продуктов.
OpenClaw не закрывают.
Проект останется open-source, и OpenAI обещает продолжать его поддержку.
Но самое впечатляющее - скорость.
Путь OpenClaw:
- идея и разработка одним человеком
- быстрый рост и хайп в сообществе
- приглашение в OpenAI
Всё это - за 82 дня.
В эпоху AI окно возможностей стало экстремально коротким.
Один сильный проект может изменить карьеру за пару месяцев.
Мотивация простая: сейчас лучшее время, чтобы запускать своё.
https://x.com/sama/status/2023150230905159801?s=46
На этот раз компания пригласила к себе Питера Штайнбергера - создателя нашумевшего проекта OpenClaw.
Сам Альтман назвал его «гением». В OpenAI он будет работать над следующим поколением персональных AI-агентов и именно агенты, по словам компании, станут основой будущих продуктов.
OpenClaw не закрывают.
Проект останется open-source, и OpenAI обещает продолжать его поддержку.
Но самое впечатляющее - скорость.
Путь OpenClaw:
- идея и разработка одним человеком
- быстрый рост и хайп в сообществе
- приглашение в OpenAI
Всё это - за 82 дня.
В эпоху AI окно возможностей стало экстремально коротким.
Один сильный проект может изменить карьеру за пару месяцев.
Мотивация простая: сейчас лучшее время, чтобы запускать своё.
https://x.com/sama/status/2023150230905159801?s=46
❤2👍1
Многие до сих пор не понимают: развитие AI уже невозможно замедлить.
США находятся в прямой конкуренции с Китаем. Любое замедление означало бы потерю технологического лидерства и дало бы Китаю шанс первым выйти на уровень сверхинтеллекта.
При этом AI - это вопрос стратегической важности, особенно в военной сфере: автономные дроны, роботизированные системы, кибероперации.
Поэтому темпы развития AI сегодня определяются не только технологиями, но и геополитической конкуренцией и борьбой за глобальное влияние.
https://www.theguardian.com/us-news/2026/feb/21/ai-revolution-bernie-sanders-warning
США находятся в прямой конкуренции с Китаем. Любое замедление означало бы потерю технологического лидерства и дало бы Китаю шанс первым выйти на уровень сверхинтеллекта.
При этом AI - это вопрос стратегической важности, особенно в военной сфере: автономные дроны, роботизированные системы, кибероперации.
Поэтому темпы развития AI сегодня определяются не только технологиями, но и геополитической конкуренцией и борьбой за глобальное влияние.
https://www.theguardian.com/us-news/2026/feb/21/ai-revolution-bernie-sanders-warning
👍3❤1😱1
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 OpenClaw - это open-source агентная система для автономного анализа и эксплуатации инфраструктуры. По сути - AI-пентестер/AI-оператор, который умеет планировать шаги, вызывать инструменты и действовать как исследователь внутри среды.
Готовый сетап для быстрого запуска OpenClaw - ставь Docker + Docker Compose, подними OpenClaw в контейнере и подключи модель через Ollama (qwen2.5-coder:7b) - так ты сразу убираешь ад зависимостей и получаешь повторяемый запуск на любой машине за 10 минут.
Готовый сетап для быстрого запуска OpenClaw - ставь Docker + Docker Compose, подними OpenClaw в контейнере и подключи модель через Ollama (qwen2.5-coder:7b) - так ты сразу убираешь ад зависимостей и получаешь повторяемый запуск на любой машине за 10 минут.
# 1) Docker + Compose
sudo apt update
sudo apt install -y docker.io docker-compose
sudo systemctl enable --now docker
# 2) OpenClaw
git clone https://github.com/openclaw/openclaw.git
cd openclaw
# 3) Ollama + модель (локально)
curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen2.5-coder:7b
# 4) .env (если нет - создай)
cat > .env << 'EOF'
MODEL_PROVIDER=ollama
MODEL_NAME=qwen2.5-coder:7b
OLLAMA_BASE_URL=http://host.docker.internal:11434
EOF
# 5) Запуск
docker compose up -d
# 6) Открыть UI (если есть веб)
echo "http://localhost:3000"
❤1🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 Локальный ИИ-сервер на Mac
Если хочешь запускать модели вроде Qwen, Llama или Mistral прямо на своем Mac — обрати внимание на проект Osaurus. Это open-source сервер для локального запуска LLM, который полностью оптимизирован под Apple Silicon и работает через MLX — фреймворк машинного обучения от Apple. По сути он превращает твой Mac в локальный AI-сервер, к которому можно обращаться как к OpenAI API.
Самое интересное — он полностью локальный. Модели скачиваются и запускаются прямо на твоем устройстве, поэтому данные никуда не отправляются и интернет вообще не обязателен. Поддерживаются популярные модели вроде Qwen, Llama, Gemma и Mistral, а при необходимости можно подключать и облачные провайдеры вроде OpenAI или
Для разработчиков это особенно удобно. Osaurus предоставляет API, совместимый с OpenAI и Ollama, поэтому многие существующие инструменты и библиотеки работают без изменений. Можно подключать агентов, плагины, автоматизацию задач и даже давать ИИ доступ к файлам, git-репозиториям или браузеру.
Если давно хотел локальный ИИ прямо на ноутбуке — это один из самых удобных и быстрых способов начать.
🎯Полезные Мл-ресурсы 🚀 Max
https://www.youtube.com/shorts/KCvJKHE1tw0
Если хочешь запускать модели вроде Qwen, Llama или Mistral прямо на своем Mac — обрати внимание на проект Osaurus. Это open-source сервер для локального запуска LLM, который полностью оптимизирован под Apple Silicon и работает через MLX — фреймворк машинного обучения от Apple. По сути он превращает твой Mac в локальный AI-сервер, к которому можно обращаться как к OpenAI API.
Самое интересное — он полностью локальный. Модели скачиваются и запускаются прямо на твоем устройстве, поэтому данные никуда не отправляются и интернет вообще не обязателен. Поддерживаются популярные модели вроде Qwen, Llama, Gemma и Mistral, а при необходимости можно подключать и облачные провайдеры вроде OpenAI или
Для разработчиков это особенно удобно. Osaurus предоставляет API, совместимый с OpenAI и Ollama, поэтому многие существующие инструменты и библиотеки работают без изменений. Можно подключать агентов, плагины, автоматизацию задач и даже давать ИИ доступ к файлам, git-репозиториям или браузеру.
Если давно хотел локальный ИИ прямо на ноутбуке — это один из самых удобных и быстрых способов начать.
установка через Homebrew
brew install --cask osaurus
запуск локального AI-сервера
osaurus
проверить список моделей
curl http://127.0.0.1:1337/v1/models
# пример запроса как к OpenAI API
curl http://127.0.0.1:1337/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "llama-3.2-3b-instruct-4bit",
"messages": [
{"role":"user","content":"Explain transformers in simple words"}
]
}'
репозиторий проекта
https://github.com/osaurus-ai/osaurus
🎯Полезные Мл-ресурсы 🚀 Max
https://www.youtube.com/shorts/KCvJKHE1tw0
❤1
🚀 Cursor сделал regex-поиск мгновенным
Instant Grep ищет по миллионам файлов за миллисекунды
16.8 сек → 13 мс
И главное:
они не ускоряли regex
они убрали лишний поиск
🧠 Как это работает
- создаётся индекс: куски текста → файлы
- используются триграммы (fil, ile, le_)
- сначала ищутся кандидаты
- потом запускается regex
👉 большинство файлов вообще не открывается
🔥 Ключевая идея - sparse n-grams
- индексируются не все куски
- только самые «полезные»
- редкие символы имеют больший вес
💾 Всё локально
- индекс хранится у тебя
- привязан к Git
- быстрый доступ через memory map
Скорость даёт не regex
а умный отбор файлов до поиска.
https://x.com/cursor_ai/status/2036122609931165985
Instant Grep ищет по миллионам файлов за миллисекунды
16.8 сек → 13 мс
И главное:
они не ускоряли regex
они убрали лишний поиск
🧠 Как это работает
- создаётся индекс: куски текста → файлы
- используются триграммы (fil, ile, le_)
- сначала ищутся кандидаты
- потом запускается regex
👉 большинство файлов вообще не открывается
🔥 Ключевая идея - sparse n-grams
- индексируются не все куски
- только самые «полезные»
- редкие символы имеют больший вес
💾 Всё локально
- индекс хранится у тебя
- привязан к Git
- быстрый доступ через memory map
Скорость даёт не regex
а умный отбор файлов до поиска.
https://x.com/cursor_ai/status/2036122609931165985