GLM-5.3-Flash-Uncensored теперь доступна в MLX для Apple Silicon.

Модель квантизировали через OrcaSAQ:

- 320B параметров, 18B активных
- нативный MLX
- 94,7% Top-1 при 6-bit
- 92,3% Top-1 при 4-bit
- около 200 ГБ для 4-bit версии
- локальный запуск на Mac с Apple Silicon

То есть 320-миллиардную MoE-модель теперь можно гонять прямо на Mac без отдельного GPU-сервера.

https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-MLX

🚀 Golang Roadmap 2026 — продвинутый курс на русском

📌 О курсе
Это бесплатный open-source roadmap на русском языке. Внутри — 19 модулей, каждый со своей теорией, практикой, бесплатными ресурсами и финальным проектом. Программа собрана так, чтобы провести вас от полного нуля до уровня Senior/Staff Go Engineer за 12–18 месяцев при темпе 10–15 часов в неделю.

Главный принцип курса — практика > видосы. Каждую тему вы закрываете кодом: пишете, ломаете, чините, рефакторите. Любой модуль завершается мини-проектом, который можно положить в портфолио.

🎯 Кому подойдёт
🐹 Новичкам в Go — даже если до этого писали только на Python/JS/PHP
🛠 Backend-разработчикам с другого стека — хотите перейти на Go
📈 Junior Go-разработчикам — нужен путь до Middle/Senior
🚀 Middle-инженерам — закрыть пробелы в архитектуре, observability, distributed
🤖 Тем, кто хочет писать AI-инфраструктуру — модуль 18 специально про это

https://github.com/Develp10/golangroadmap2026

Выделенные серверы — это хорошо. Пока не вспоминаешь, что их ещё нужно настроить и поддерживать.

В этом месте обычно упирается в знакомый компромисс: хочется физической изоляции и контроля над ресурсами, но собирать весь стек вручную и потом отвечать за каждый его компонент не всегда хочется.

Yandex B2B Tech запустила Yandex BareMetal Extend — формат частного облака с физически выделенной инфраструктурой и готовыми средами. Вместо чистого bare metal можно сразу выбрать один из трёх дополнительных модулей: виртуализацию, Kubernetes® или Stackland для разработки приложений. Дальше уже можно запускать контейнерные приложения или критичные бизнес-системы, не собирая инфраструктуру с нуля.

При этом физическая часть остаётся изолированной от публичного облака. Ресурсы можно резервировать и объединять через приватное соединение.
Функционал с виртуализацией сделали вместе с K2 Cloud, а техническую поддержку клиентов компании будут оказывать через единое окно.

Получается довольно практичная комбинация: железо остаётся выделенным, а подход к нему — максимально облачным.

Что на самом деле делает `docker run -it` 🐳

Когда контейнеру нужен интерактивный shell, REPL или текстовый редактор, обычно запускают:

docker run -it ...

Но -i и -t делают разные вещи.

- -i (`--interactive`) — оставляет STDIN открытым, чтобы процесс внутри контейнера мог получать ввод с клавиатуры.
- -t (`--tty`) — создаёт pseudo-TTY, поэтому приложение ведёт себя как в обычном терминале.

Вместе они дают полноценную интерактивную сессию:

docker run -it ubuntu bash

Без -i не будет нормального интерактивного ввода.

Без -t приложение может работать, но без привычного терминального поведения: prompt, цветов, управления курсором и нормальной работы vim, top, less и других TTY-программ.

Под капотом схема примерно такая:

Terminal
   ↓
Docker CLI
   ↓
pseudo-TTY
   ↓
bash внутри контейнера

То есть -i отвечает за ввод, а -t — за сам терминал.

Если вы годами пишете docker run -it, но никогда не разбирались, зачем нужны оба флага, у iximiuz есть отличный практический challenge:

https://labs.iximiuz.com/challenges/docker-101-container-run-tty

🐳 Docker показал подход к воспроизводимым AI-evaluation через Docker Sandboxes.

Проблема простая: даже если зафиксировать модель, промпт и метрику, результат всё равно может отличаться из-за окружения — версий Python, зависимостей, локальных инструментов и конфигурации машины.

Для этого Docker предлагает SBX AI Evaluation Kit: evaluation описывается в YAML, запускается локально или внутри Sandbox, а на выходе сохраняется структурированный артефакт с тем, что реально произошло:

* executor;
* команда;
* stdout/stderr;
* exit code;
* время выполнения;
* digest конфигурации.

Можно переключать выполнение между локальной машиной и Docker Sandbox без переписывания самого evaluation workflow.

Подход полезен для:

* сравнения промптов;
* regression testing;
* agent evals;
* security checks;
* code-generation экспериментов.

https://www.docker.com/blog/building-reproducible-ai-evaluation-workflows-with-docker-sandboxes/

⚡️ Юридические школы Чикаго и Беркли ограничивают ИИ в обучении

По данным FT, ограничения вводят на фоне того, как юридическая отрасль всё активнее использует нейросети.

Юридическая школа Чикагского университета этой осенью запустит эксперимент: запретит электронные устройства на основных занятиях первого курса. ИИ окажется исключён из базового обучения.

Berkeley Law с лета 2026 года по умолчанию запрещает использовать ИИ при подготовке работ, сдаваемых на оценку: от разработки идеи и плана до написания, перевода и редактирования текста.

Преподаватели опасаются, что готовые ответы мешают студентам освоить самостоятельный анализ и юридическую аргументацию.

https://www.ft.com/content/8ddd3668-5858-45c3-b34f-a6bafc678187

Нашёл хороший репозиторий, если хочешь за выходные собрать реальные DevOps-проекты и добавить их в резюме.

Внутри 54 практических проекта по темам:

- AWS, Azure и Kubernetes
- Terraform и Infrastructure as Code
- Docker и CI/CD
- DevSecOps и безопасность
- мониторинг и observability
- serverless и cloud-native приложения

Можно просто выбрать один проект, собрать его за выходные и потом уже предметно рассказывать о нём на собеседовании.

https://github.com/DevCloudNinjas/DevOps-Projects