🚨 Grok 4.5 примерно в 17 раз дешевле Opus 4.8 на реальных задачах
Цены:
* Grok 4.5: $2 за input / $6 за output
* Opus 4.8: $5 за input / $25 за output
То есть Grok 4.5 дешевле примерно в 4 раза за токен.
Но важнее другое: для решения той же задачи он тратит в 4,2 раза меньше токенов.
В итоге реальная стоимость выполнения задачи получается примерно в 17 раз ниже.
Цены:
* Grok 4.5: $2 за input / $6 за output
* Opus 4.8: $5 за input / $25 за output
То есть Grok 4.5 дешевле примерно в 4 раза за токен.
Но важнее другое: для решения той же задачи он тратит в 4,2 раза меньше токенов.
В итоге реальная стоимость выполнения задачи получается примерно в 17 раз ниже.
❤5🤔2👍1😁1
XQuad - “LLVM” для quadratic optimization на Rust
Интересный проект на стыке Rust, оптимизации и quantum tooling.
Идея такая: вы описываете QUBO, Ising или discrete optimization problem один раз, а потом можете запускать её через разные backend’ы: quantum annealers или классические solver’ы.
Что внутри:
* Rust VM для quadratic models
* Python reference VM
* единая спецификация
* CLI и Python API
* solver adapters, включая D-Wave
* примеры для TSP и MaxCut
* CI-проверка: если Rust VM и Python VM расходятся, сборка падает
github.com/QuipNetwork/xquad
Интересный проект на стыке Rust, оптимизации и quantum tooling.
Идея такая: вы описываете QUBO, Ising или discrete optimization problem один раз, а потом можете запускать её через разные backend’ы: quantum annealers или классические solver’ы.
Что внутри:
* Rust VM для quadratic models
* Python reference VM
* единая спецификация
* CLI и Python API
* solver adapters, включая D-Wave
* примеры для TSP и MaxCut
* CI-проверка: если Rust VM и Python VM расходятся, сборка падает
github.com/QuipNetwork/xquad
❤2🤔2👍1
Unsloth выкатили Gemma 4 NVFP4 quants.
Заявка простая: быстрее 4-bit inference на Blackwell GPU без обычного компромисса “сжали, но стало заметно тупее”.
Главные цифры:
* Gemma-4-12B NVFP4 запускается на 11 GB VRAM
* Gemma-4-26B-A4B доходит до 13K tok/s на B200
* NVFP4 даёт до 1.5× ускорения на GPU
NVFP4 - это не просто “ещё один 4-bit формат”. Он заточен под Blackwell и позволяет делать inference быстрее, сохраняя точность лучше, чем грубая квантизация.
Для локального и self-hosted inference это важный сдвиг: больше моделей помещается в память, throughput растёт, стоимость токена падает.
Особенно полезно для тех, кто гоняет много коротких запросов, агентные пайплайны или batch-инференс, где скорость и VRAM решают всё.
Blog: https://unsloth.ai/docs/basics/nvfp4
Gemma NVFP4: https://huggingface.co/collections/unsloth/nvfp4
Заявка простая: быстрее 4-bit inference на Blackwell GPU без обычного компромисса “сжали, но стало заметно тупее”.
Главные цифры:
* Gemma-4-12B NVFP4 запускается на 11 GB VRAM
* Gemma-4-26B-A4B доходит до 13K tok/s на B200
* NVFP4 даёт до 1.5× ускорения на GPU
NVFP4 - это не просто “ещё один 4-bit формат”. Он заточен под Blackwell и позволяет делать inference быстрее, сохраняя точность лучше, чем грубая квантизация.
Для локального и self-hosted inference это важный сдвиг: больше моделей помещается в память, throughput растёт, стоимость токена падает.
Особенно полезно для тех, кто гоняет много коротких запросов, агентные пайплайны или batch-инференс, где скорость и VRAM решают всё.
Blog: https://unsloth.ai/docs/basics/nvfp4
Gemma NVFP4: https://huggingface.co/collections/unsloth/nvfp4
👍4❤3🔥2
Кто-то разобрал Claude Code почти до винтика
Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги.
Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции.
https://github.com/justxor/Claudecourse/
learn-coding-agent - репозиторий для тех, кто хочет понять, как устроены современные coding agents не на уровне промо-страниц, а на уровне архитектуры.Автор собрал разбор Claude Code по публичным источникам: цикл агента, систему инструментов, разрешения, работу с контекстом, сессии, подпроцессы, MCP, удалённые настройки, телеметрию и скрытые флаги.
Получился не “гайд по использованию”, а карта внутренней логики CLI-агента: как он принимает решение, когда просит разрешение, как вызывает инструменты, как хранит историю и как расширяется через внешние интеграции.
https://github.com/justxor/Claudecourse/
❤4👍2
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: t.me/DevopsDocker
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/java_library
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: @courses
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.
В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: t.me/DevopsDocker
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/java_library
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: @courses
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.
❤2🔥2👍1
Полностью локальная мультимодальная модель для GPU с 8 ГБ памяти
Модель запускается на локальном компьютере, понимает изображения и подходит для создания ИИ-агентов.
Возможности
- fine-tuning на Hermes V3
- оптимизация под агентные сценарии
- анализ изображений
- рабочий function calling
- готовые версии GGUF и
- минимум встроенных ограничений и отказов
- запуск на видеокартах с 8 ГБ VRAM
Хороший вариант для локальных агентов, которым нужно анализировать изображения, работать с интерфейсами и вызывать внешние инструменты без облачного API.
Модель с отключёнными ограничениями лучше запускать в изолированной среде без доступа к важным файлам, ключам и системным командам.
https://huggingface.co/LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-V3-GGUF
Модель запускается на локальном компьютере, понимает изображения и подходит для создания ИИ-агентов.
Возможности
- fine-tuning на Hermes V3
- оптимизация под агентные сценарии
- анализ изображений
- рабочий function calling
- готовые версии GGUF и
mmproj- минимум встроенных ограничений и отказов
- запуск на видеокартах с 8 ГБ VRAM
Хороший вариант для локальных агентов, которым нужно анализировать изображения, работать с интерфейсами и вызывать внешние инструменты без облачного API.
Модель с отключёнными ограничениями лучше запускать в изолированной среде без доступа к важным файлам, ключам и системным командам.
https://huggingface.co/LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-V3-GGUF
🔥6👎3❤1👍1
Forwarded from Machinelearning
🚀 Qwen3.8 скоро выйдет в open-weight
Новая модель Alibaba получит 2,4 трлн параметров. Разработчики называют её одной из самых мощных моделей на рынке и ставят рядом с ведущими frontier-моделями.
Предварительную версию Qwen3.8-Max-Preview уже можно протестировать через Alibaba Token Plan, Qoder и QoderWork.
Полный релиз и открытые веса обещают в ближайшее время.
Token Plan:
- Международная версия: https://www.qwencloud.com/pricing/token-plan
- Китай: https://platform.qianwenai.com/pricing/token-plan
#AI #LLM #Qwen #OpenWeight
Новая модель Alibaba получит 2,4 трлн параметров. Разработчики называют её одной из самых мощных моделей на рынке и ставят рядом с ведущими frontier-моделями.
Предварительную версию Qwen3.8-Max-Preview уже можно протестировать через Alibaba Token Plan, Qoder и QoderWork.
Полный релиз и открытые веса обещают в ближайшее время.
Token Plan:
- Международная версия: https://www.qwencloud.com/pricing/token-plan
- Китай: https://platform.qianwenai.com/pricing/token-plan
#AI #LLM #Qwen #OpenWeight
❤2🔥2👍1
Команда GigaChat зовёт на вечеринку для AI-разработчиков и исследователей 🎉
29 июля, Сбер.Среда, пространство «Оригинал» (м. «Курская», ул. Земляной Вал, 9А)
Без докладов, презентаций и официальных дискуссий – только общение с коллегами по индустрии, обсуждение рабочих задач и болей, новые знакомства и летний вечер на веранде.
Регистрация и подробности
Надеемся на хорошую погоду 🥳
До встречи!
29 июля, Сбер.Среда, пространство «Оригинал» (м. «Курская», ул. Земляной Вал, 9А)
Без докладов, презентаций и официальных дискуссий – только общение с коллегами по индустрии, обсуждение рабочих задач и болей, новые знакомства и летний вечер на веранде.
Регистрация и подробности
Надеемся на хорошую погоду 🥳
До встречи!
❤1
Media is too big
VIEW IN TELEGRAM
Дарио: «МАСШТАБИРОВАНИЕ МОДЕЛЕЙ С ОТКРЫТЫМ ИСХОДНЫМ КОДОМ ИДЁТ ПО ОЧЕНЬ ОПАСНОМУ ПУТИ».
Это стоит пересмотреть ещё раз.
Доступ к открытым моделям без ограничений будут терпеть лишь до тех пор, пока они недостаточно умны, чтобы угрожать закрытым ИИ-компаниям.
Это стоит пересмотреть ещё раз.
Доступ к открытым моделям без ограничений будут терпеть лишь до тех пор, пока они недостаточно умны, чтобы угрожать закрытым ИИ-компаниям.
😁10🤡3🥱2
🔥 Tree-sitter переписали с C на Rust с помощью ИИ и ускорили почти на 30%
Автор ast-grep поручил ChatGPT переписать ядро Tree-sitter на Rust, сохранив совместимость с существующими сгенерированными парсерами.
Результат:
• raw parsing: +29,74% throughput
• обход дерева: +10,16%
• полный ast-grep: примерно 22% меньше CPU-времени
• существующие grammar/parser-артефакты остались совместимыми
Но самое интересное началось после первых бенчмарков: сам ast-grep сначала стал медленнее, хотя парсер уже работал быстрее.
Причина оказалась в архитектуре и работе с памятью. Первую пачку AI-оптимизаций вообще пришлось откатить: код стал плохо читаемым и начал ловить segfault'ы.
После этого подход поменяли: сначала упростили runtime, убрали ненужные для ast-grep части incremental parsing, переработали аллокации и структуры данных, а уже потом снова занялись производительностью.
🔗 https://astgrep.com/blog/tree-sitter-rust-rewrite
Автор ast-grep поручил ChatGPT переписать ядро Tree-sitter на Rust, сохранив совместимость с существующими сгенерированными парсерами.
Результат:
• raw parsing: +29,74% throughput
• обход дерева: +10,16%
• полный ast-grep: примерно 22% меньше CPU-времени
• существующие grammar/parser-артефакты остались совместимыми
Но самое интересное началось после первых бенчмарков: сам ast-grep сначала стал медленнее, хотя парсер уже работал быстрее.
Причина оказалась в архитектуре и работе с памятью. Первую пачку AI-оптимизаций вообще пришлось откатить: код стал плохо читаемым и начал ловить segfault'ы.
После этого подход поменяли: сначала упростили runtime, убрали ненужные для ast-grep части incremental parsing, переработали аллокации и структуры данных, а уже потом снова занялись производительностью.
🔗 https://astgrep.com/blog/tree-sitter-rust-rewrite
🔥4❤3👍3
🔥 За одну неделю вышло сразу 6 интересных open-weight моделей
Пока все ждут веса Kimi K3 и Ling 3.0, Sebastian Raschka обновил свою LLM Architecture Gallery свежими релизами. И там есть несколько необычных решений.
1. Nanbeige 4.2 3B
Берёт один стек из 22 Transformer-блоков и прогоняет его дважды. Получается эффективная глубина 44 блока без удвоения весов: больше compute, но почти тот же parameter footprint.
2. Laguna S 2.1
118B MoE, всего 8B активных параметров и контекст 1M токенов. Poolside позиционирует её для долгих coding-agent задач, причём модель помещается на одном DGX Spark.
3. Motif 3 Beta
314B-A13B MoE с новой Grouped Differential Latent Attention: latent-compression внимания дополняется группировкой heads и механизмом подавления «шума».
4. Solar Open 2
250B-A15B от Upstage. Архитектура чередует 3 linear-attention слоя и 1 GQA, что помогает довести контекст до 1M токенов.
5. Antares 1B
Маленькая security-модель Cisco на базе Granite 4.0. Её дообучили через SFT + GRPO для поиска уязвимых участков кода через терминал. Хороший пример того, насколько далеко можно увести специализированную модель всего на 1B параметров.
6. BTL-3
Всего лишь rank-32 LoRA поверх Qwen3.6-27B, заточенная под coding agents и structured tool calling. Авторы заявляют 88,5% на BFCL v4 AST и 95,12% HumanEval pass@1.
Open-weight экосистема сейчас интересна именно разнообразием архитектур: looped transformers, sparse MoE, linear attention, специализированные SLM и обычные LoRA-адаптеры развиваются одновременно.
Все схемы и сравнения:
https://sebastianraschka.com/llm-architecture-gallery/
@bigdatai
Пока все ждут веса Kimi K3 и Ling 3.0, Sebastian Raschka обновил свою LLM Architecture Gallery свежими релизами. И там есть несколько необычных решений.
1. Nanbeige 4.2 3B
Берёт один стек из 22 Transformer-блоков и прогоняет его дважды. Получается эффективная глубина 44 блока без удвоения весов: больше compute, но почти тот же parameter footprint.
2. Laguna S 2.1
118B MoE, всего 8B активных параметров и контекст 1M токенов. Poolside позиционирует её для долгих coding-agent задач, причём модель помещается на одном DGX Spark.
3. Motif 3 Beta
314B-A13B MoE с новой Grouped Differential Latent Attention: latent-compression внимания дополняется группировкой heads и механизмом подавления «шума».
4. Solar Open 2
250B-A15B от Upstage. Архитектура чередует 3 linear-attention слоя и 1 GQA, что помогает довести контекст до 1M токенов.
5. Antares 1B
Маленькая security-модель Cisco на базе Granite 4.0. Её дообучили через SFT + GRPO для поиска уязвимых участков кода через терминал. Хороший пример того, насколько далеко можно увести специализированную модель всего на 1B параметров.
6. BTL-3
Всего лишь rank-32 LoRA поверх Qwen3.6-27B, заточенная под coding agents и structured tool calling. Авторы заявляют 88,5% на BFCL v4 AST и 95,12% HumanEval pass@1.
Open-weight экосистема сейчас интересна именно разнообразием архитектур: looped transformers, sparse MoE, linear attention, специализированные SLM и обычные LoRA-адаптеры развиваются одновременно.
Все схемы и сравнения:
https://sebastianraschka.com/llm-architecture-gallery/
@bigdatai
❤7🔥2👍1
Rust курс со Stepik для тех, кто уже пишет прод 🦀
Когда начинаешь думать не только «работает ли код», но и что происходит с памятью, аллокациями, потоками и ошибками под нагрузкой — Rust становится особенно интересным.
На курсе разберёшь язык через реальные механики:
ownership, borrowing, lifetimes, traits, generics, error handling, модули, тесты и сетевое программирование.
После каждого блока — код и задача с автопроверкой.
Подойдёт разработчикам на Go, C++, Java, Python, JavaScript и других языках.
⏱ 5–6 часов в неделю
⚡ Старт сразу
💻 Упор на практику
Освой Rust так, чтобы после курса открыть новый проект и реально понимать, что пишешь и почему это работает.
Начать учиться: https://stepik.org/a/294885/
Когда начинаешь думать не только «работает ли код», но и что происходит с памятью, аллокациями, потоками и ошибками под нагрузкой — Rust становится особенно интересным.
На курсе разберёшь язык через реальные механики:
ownership, borrowing, lifetimes, traits, generics, error handling, модули, тесты и сетевое программирование.
После каждого блока — код и задача с автопроверкой.
Подойдёт разработчикам на Go, C++, Java, Python, JavaScript и других языках.
⏱ 5–6 часов в неделю
⚡ Старт сразу
💻 Упор на практику
Освой Rust так, чтобы после курса открыть новый проект и реально понимать, что пишешь и почему это работает.
Начать учиться: https://stepik.org/a/294885/
❤2🔥2👍1
Media is too big
VIEW IN TELEGRAM
Статья Google «Attention Is All You Need», которая в итоге привела к появлению трансформеров, изначально выросла из попытки улучшить Google Translate всего примерно на 3%.
Инновации часто рождаются уже в процессе создания продукта.
Если ты сам ничего не строишь, ты теряешь возможность придумать, как сделать это лучше.
~ Palantir's CTO
Инновации часто рождаются уже в процессе создания продукта.
Если ты сам ничего не строишь, ты теряешь возможность придумать, как сделать это лучше.
~ Palantir's CTO
👍7👀3🔥1🤔1
CoRT: награда для LLM больше не размазывается по всему ответу
В обучении с рубриками ответ модели оценивают сразу по нескольким критериям: точность, формат, стиль и полнота.
Проблема в том, что методы вроде GRPO обычно превращают эти оценки в одно число. В результате одинаковый сигнал получают все токены ответа — и полезные, и ошибочные.
CoRT распределяет награду точнее.
Один и тот же ответ оценивается в двух условиях:
- с исходным промптом и критериями;
- с похожим промптом, но без критериев.
Затем метод сравнивает вероятность каждого токена.
Если токен стал заметно вероятнее благодаря рубрике, значит он связан с её требованиями и получает больший вес при обновлении модели.
CoRT при этом:
- не требует отдельной модели для оценки токенов;
- не использует ручную разметку;
- не меняет итоговую награду за весь ответ;
- не запускает дополнительную генерацию;
- добавляет только один проход для пересчёта вероятностей.
В экспериментах метод в большинстве сравнений обошёл обычный response-level GRPO. Средний прирост составил 4,4 процентного пункта.
Идея простая: если критерий выполнили конкретные части ответа, основную награду должны получать именно они.
Paper:
https://huggingface.co/papers/2607.25659
В обучении с рубриками ответ модели оценивают сразу по нескольким критериям: точность, формат, стиль и полнота.
Проблема в том, что методы вроде GRPO обычно превращают эти оценки в одно число. В результате одинаковый сигнал получают все токены ответа — и полезные, и ошибочные.
CoRT распределяет награду точнее.
Один и тот же ответ оценивается в двух условиях:
- с исходным промптом и критериями;
- с похожим промптом, но без критериев.
Затем метод сравнивает вероятность каждого токена.
Если токен стал заметно вероятнее благодаря рубрике, значит он связан с её требованиями и получает больший вес при обновлении модели.
CoRT при этом:
- не требует отдельной модели для оценки токенов;
- не использует ручную разметку;
- не меняет итоговую награду за весь ответ;
- не запускает дополнительную генерацию;
- добавляет только один проход для пересчёта вероятностей.
В экспериментах метод в большинстве сравнений обошёл обычный response-level GRPO. Средний прирост составил 4,4 процентного пункта.
Идея простая: если критерий выполнили конкретные части ответа, основную награду должны получать именно они.
Paper:
https://huggingface.co/papers/2607.25659
👍3🔥2❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Репозиторий, который заменит десятки подборок по ИИ
Awesome Artificial Intelligence - тщательно отобранная база материалов для разработчиков, которые хотят понимать современные AI-системы и запускать их в продакшене. У проекта уже более 15 тысяч звёзд на GitHub.
Внутри собраны:
лучшие книги и курсы по ML, LLM и deep learning;
фундаментальные статьи — от Transformer и LoRA до RAG, ReAct и DPO;
практические материалы по агентам, tool calling и context engineering;
фреймворки: LangGraph, Pydantic AI, OpenAI Agents SDK, Google ADK;
инструменты для evals, наблюдаемости и инференса;
coding-агенты: Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode и OpenHands.
Это не бесконечный каталог случайных ссылок. Автор оставляет только актуальные материалы с практической ценностью, а список проверяется и обновляется каждую неделю.
Полезная стартовая точка для тех, кто хочет перейти от чтения новостей про ИИ к созданию реальных систем.
GitHub:
https://github.com/owainlewis/awesome-artificial-intelligence
Awesome Artificial Intelligence - тщательно отобранная база материалов для разработчиков, которые хотят понимать современные AI-системы и запускать их в продакшене. У проекта уже более 15 тысяч звёзд на GitHub.
Внутри собраны:
лучшие книги и курсы по ML, LLM и deep learning;
фундаментальные статьи — от Transformer и LoRA до RAG, ReAct и DPO;
практические материалы по агентам, tool calling и context engineering;
фреймворки: LangGraph, Pydantic AI, OpenAI Agents SDK, Google ADK;
инструменты для evals, наблюдаемости и инференса;
coding-агенты: Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode и OpenHands.
Это не бесконечный каталог случайных ссылок. Автор оставляет только актуальные материалы с практической ценностью, а список проверяется и обновляется каждую неделю.
Полезная стартовая точка для тех, кто хочет перейти от чтения новостей про ИИ к созданию реальных систем.
GitHub:
https://github.com/owainlewis/awesome-artificial-intelligence
❤7
Rust, который наконец становится понятным 🦀
Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли?
Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы.
Ты разберёшь:
Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код
Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой.
🔥 Rust с нуля
🔥 5–6 часов в неделю
🔥 Практика после каждого урока
🔥 Подойдёт после Python, JavaScript, Java и других языков
🔥 Можно начать сразу
В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага.
Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/
Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли?
Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы.
Ты разберёшь:
Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код
Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой.
🔥 Rust с нуля
🔥 5–6 часов в неделю
🔥 Практика после каждого урока
🔥 Подойдёт после Python, JavaScript, Java и других языков
🔥 Можно начать сразу
В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага.
Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/
❤3👍2
Forwarded from Rust
🦀 Rust вводит официальные правила использования LLM при работе над `rust-lang/rust`
Это не запрет ИИ и не позиция всего проекта Rust. Политику приняли команды, работающие с основным репозиторием языка.
Причина - поток хорошо оформленных AI-PR, авторы которых не всегда понимают собственный код, и растущая нагрузка на ревьюеров.
Главный принцип:
> LLM можно использовать для анализа, проверки, уточнения и ревью, но не для самостоятельного создания изменений.
AI-сгенерированный код допускается только для заранее согласованных и некритичных задач. Автор должен:
- раскрыть использование LLM;
- добавить тесты;
- самостоятельно проверить результат;
- понимать каждую строку изменения.
Особенно строго ограничены изменения, связанные с безопасностью языка, документацией и диагностикой компилятора.
Текст, созданный моделью для issue, PR или комментариев, тоже нужно явно помечать. При этом ревьюер не обязан проверять AI-сгенерированный PR и может закрыть его при нарушении политики.
Подробнее:
https://blog.rust-lang.org/inside-rust/2026/08/05/rust-langrust-is-adopting-an-llm-policy/
Это не запрет ИИ и не позиция всего проекта Rust. Политику приняли команды, работающие с основным репозиторием языка.
Причина - поток хорошо оформленных AI-PR, авторы которых не всегда понимают собственный код, и растущая нагрузка на ревьюеров.
Главный принцип:
> LLM можно использовать для анализа, проверки, уточнения и ревью, но не для самостоятельного создания изменений.
AI-сгенерированный код допускается только для заранее согласованных и некритичных задач. Автор должен:
- раскрыть использование LLM;
- добавить тесты;
- самостоятельно проверить результат;
- понимать каждую строку изменения.
Особенно строго ограничены изменения, связанные с безопасностью языка, документацией и диагностикой компилятора.
Текст, созданный моделью для issue, PR или комментариев, тоже нужно явно помечать. При этом ревьюер не обязан проверять AI-сгенерированный PR и может закрыть его при нарушении политики.
Подробнее:
https://blog.rust-lang.org/inside-rust/2026/08/05/rust-langrust-is-adopting-an-llm-policy/
❤3
Forwarded from Анализ данных (Data analysis)
DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены.
Сейчас DeepSeek V4 Flash 0731 стоит всего:
По расчётам Artificial Analysis, выполнение одной тестовой задачи обходится примерно в 3 цента - почти в 105 раз дешевле Claude Fable 5.
И этот демпинг сработал.
Новая версия стала самой быстрорастущей моделью Ollama самой быстрорастущей моделью Ollama по объёму токенов. Сервис уже расширяет мощности в США и Европе, чтобы выдержать нагрузку.
Получается классическая стратегия:
DeepSeek не раскрыла причину изменения тарифов. Но обслуживать огромный поток запросов по цене, установленной для захвата рынка, становится всё сложнее.
Особенно рискованно выбран момент. GPT-5.6 Luna и Muse Spark уже приблизились к V4 Flash по качеству, поэтому после повышения DeepSeek может потерять свой главный козырь - невероятное соотношение цены и возможностей.
Пока V4 Flash остаётся одним из самых выгодных API на рынке.
#DeepSeek #LLM #API #AI
Сейчас DeepSeek V4 Flash 0731 стоит всего:
Вход: $0,14 за 1 млн токенов
Выход: $0,28 за 1 млн токенов
По расчётам Artificial Analysis, выполнение одной тестовой задачи обходится примерно в 3 цента - почти в 105 раз дешевле Claude Fable 5.
И этот демпинг сработал.
Новая версия стала самой быстрорастущей моделью Ollama самой быстрорастущей моделью Ollama по объёму токенов. Сервис уже расширяет мощности в США и Европе, чтобы выдержать нагрузку.
Получается классическая стратегия:
сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены
DeepSeek не раскрыла причину изменения тарифов. Но обслуживать огромный поток запросов по цене, установленной для захвата рынка, становится всё сложнее.
Особенно рискованно выбран момент. GPT-5.6 Luna и Muse Spark уже приблизились к V4 Flash по качеству, поэтому после повышения DeepSeek может потерять свой главный козырь - невероятное соотношение цены и возможностей.
Пока V4 Flash остаётся одним из самых выгодных API на рынке.
#DeepSeek #LLM #API #AI
❤4
Forwarded from Machinelearning
Статистика опубликована на Signals - площадке экономической исследовательской группы компании и охватывает второй квартал 2026 года.
В выборку вошли только аккаунты подписок Free, Go, Plus и Pro, корпоративные подписки не учитывались.
В рабочем контексте люди вдвое чаще просят ChatGPT что-то сделать (написать текст, код, провести анализ), чем вне работы.
За пределами офисов по-прежнему преобладают вопросы и поиск информации. OpenAI описывает это как сдвиг "от вопросов к действиям".
По подсчётам компании, во втором квартале Латинская Америка, Африка и Океания росли быстрее остального мира, сильнее всего в рейтинге сообщений на душу населения поднялись Перу, Уругвай и Коста-Рика.
Северная Америка и Европа тоже растут, но медленнее.
Быстрее всего набирает вес работа с изображениями и другим мультимедийным контентом. После выхода ChatGPT Images 2.0 в апреле доля таких запросов по всему миру достигла 7,8%.
В Бразилии и Колумбии на них приходится больше каждого десятого сообщения.
Доля сообщений от пользователей старше 35 лет за год выросла почти во всех странах - в среднем на 5%, а во Франции и Чехии больше чем на 10 процентных пунктов.
В Юго-Восточной Азии рост слабее - в шести из восьми стран региона доля этой группы увеличилась незначительно, а в Сингапуре зафиксирована обратная динамика.
OpenAI утверждает, что ChatGPT пользуются больше миллиарда человек, и адресует новые данные исследователям и регуляторам.
С методикой можно ознакомится тут, а данные приведенной статистики можно загрузить здесь.
@ai_machinelearning_big_data
#AI #ML #Research #ChatGPT #OpenAI
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍3🔥1