– Ответ можно остановить прямо в процессе и докинуть новые инструкции;
– Контекст теперь до 1 миллиона токенов
– в Codex появился /fast — генерация быстрее в 1.5 раза, но токены в таком режиме считаются х2.

▶️ В чем преимущества локальных LLM по сравнению с облачными: конфиденциальность, доступность, бесплатный API, корпоративные сценарии;

▶️ Как работать с Ollama: загрузка моделей, запуск через чат и API, управление через терминал;

▶️ Сравнительное тестирование моделей (Mistral, Llama 3.1, Qwen, Gemma, GPT-OSS, DeepSeek) на задачах фактологии, математики, кода и текста;

▶️ Результаты по скорости и точности: где локальные модели справляются лучше, а где уступают облачным;

▶️ Практические выводы — для каких задач подходят быстрые «легкие» модели, а где уместны более крупные и «думающие» варианты.

Microsoft подробно разбирают генеративный ИИ и архитектуру агентов: от теории до практики.

Пошаговая сборка собственного GPT, чтобы понять, как устроены LLM «под капотом».

Официальный набор примеров по работе с API, RAG-системами и интеграцией ИИ в продакшен от OpenAI.

Классические инструменты computer vision и генерации изображений от Meta и исследовательской команды CompVis.

Мощная база по Python и анализу данных.

Готовые шаблоны приложений с LLM и структурированный курс по классическому машинному обучению.

🔸 Текст — около $0.2 за миллион токенов;
🔸 Мультимодальность заметно дороже;
🔸 Видео может доходить до ~$12 за миллион токенов (≈15k кадров).

▶️ База и инструменты;
▶️ Классический ML;
▶️ LLM и агенты;
▶️ Инженерия и MLOps;
▶️ Подготовка к интервью.

▶️ Неделя 1 — основы SQL и извлечение данных;
▶️ Неделя 2 — группировка с помощью GROUP BY;
▶️ Неделя 3 — все типы JOIN и где их применять;
▶️ Неделя 4 — разбор оконных функций;
▶️ Неделя 5 — CTE и подзапросы;
▶️ Неделя 6 — финальный проект для закрепления.

— Анализ, линал и тервер для прочного фундамента;
— Оптимизация — от SGD до проксимальных методов;
— Линейные модели, SVM, деревья, бустинг, нейросети;
— Генеративка: MCMC, вариационные подходы, графовые модели, GAN;
— PCA, кластеризация, факторный анализ, обучение на многообразиях;
— Теория обобщающей способности моделей и неравенства концентрации.

▶️ Разборы исследований и пошаговое воспроизведение архитектур моделей;
▶️ Объяснение тем и концепций с интерактивными визуализациями;
▶️ Система прогресса и достижений — куда же без геймификации.