This media is not supported in your browser
VIEW IN TELEGRAM
ИМБА: Claude научился работать по расписанию за вас — в самую мощную нейронку добавили всего одну команду, и она меняет всё.
Самое приятное: вам не нужен даже рабочий комп. Щёлкнули команду в терминале и закрыли ноут — дальше всё работает в облаке у Anthropic.
Скоро можно будет только смотреть рилсы
👍 Бэкдор
/schedule — задаёт любые задачи в Claude Code, которые нейронка сделает сама в нужное время. Отправка отчётов, проверка откликов, мониторинг соцсетей и репозиториев — вообще всё, что угодно.Самое приятное: вам не нужен даже рабочий комп. Щёлкнули команду в терминале и закрыли ноут — дальше всё работает в облаке у Anthropic.
Скоро можно будет только смотреть рилсы
Please open Telegram to view this post
VIEW IN TELEGRAM
🚀 ИИ ломает модель “нейросеть пишет, а человек человек проверяет”
Новое исследование Wharton показывает неприятную вещь:
модель, на которой сейчас строится половина работы с ИИ, перестаёт работать.
Мы привыкли думать так:
нейросеть генерирует → человек проверяет → всё ок.
Но на практике происходит другое.
Учёные называют это “когнитивная капитуляция”.
Это момент, когда ты перестаёшь реально проверять ответ ИИ и даже не замечаешь этого.
Важно: это не то же самое, что “переложить задачу” (как с калькулятором).
- при обычном использовании ты понимаешь, что инструмент сделал работу
- при капитуляции мозг начинает воспринимать ответ ИИ как свой
Ты искренне думаешь, что сам всё проанализировал.
ИИ становится чем-то вроде третьей системы мышления.
Помимо:
- System 1 — быстрой интуиции
- System 2 — медленного анализа
появляется System 3 внешний интеллект.
И проблема в том, что мы начинаем доверять ему слишком сильно.
Цифры из исследования:
- 1372 участника
- почти 10 000 задач
- более чем в 50% случаев люди обращались к ИИ
Когда ИИ был прав:
- люди соглашались с ним в 92.7% случаев
Когда ИИ ошибался:
- всё равно соглашались в 79.8% случаев
Без ИИ:
- точность - 45.8%
С правильным ИИ:
- 71.0%
С неправильным ИИ:
- 31.5% (хуже, чем без него)
При этом уверенность людей росла на 11.7%,
даже когда ответы были неправильными.
Вот главный вывод:
человеческая проверка больше не является надёжной страховкой.
Люди не просто пропускают ошибки ИИ -
они становятся более уверенными в этих ошибках.
Ни давление по времени, ни мотивация, ни обратная связь
не убрали эффект полностью.
Лучше всего сопротивлялись люди с высоким уровнем мышления
и привычкой анализировать.
И это ключевой момент:
это не проблема лени.
Это особенность того, как устроен наш мозг.
ИИ не просто помогает думать.
Он начинает думать вместо нас.
papers.ssrn.com/sol3/papers.cfm?abstract_id=6097646
Новое исследование Wharton показывает неприятную вещь:
модель, на которой сейчас строится половина работы с ИИ, перестаёт работать.
Мы привыкли думать так:
нейросеть генерирует → человек проверяет → всё ок.
Но на практике происходит другое.
Учёные называют это “когнитивная капитуляция”.
Это момент, когда ты перестаёшь реально проверять ответ ИИ и даже не замечаешь этого.
Важно: это не то же самое, что “переложить задачу” (как с калькулятором).
- при обычном использовании ты понимаешь, что инструмент сделал работу
- при капитуляции мозг начинает воспринимать ответ ИИ как свой
Ты искренне думаешь, что сам всё проанализировал.
ИИ становится чем-то вроде третьей системы мышления.
Помимо:
- System 1 — быстрой интуиции
- System 2 — медленного анализа
появляется System 3 внешний интеллект.
И проблема в том, что мы начинаем доверять ему слишком сильно.
Цифры из исследования:
- 1372 участника
- почти 10 000 задач
- более чем в 50% случаев люди обращались к ИИ
Когда ИИ был прав:
- люди соглашались с ним в 92.7% случаев
Когда ИИ ошибался:
- всё равно соглашались в 79.8% случаев
Без ИИ:
- точность - 45.8%
С правильным ИИ:
- 71.0%
С неправильным ИИ:
- 31.5% (хуже, чем без него)
При этом уверенность людей росла на 11.7%,
даже когда ответы были неправильными.
Вот главный вывод:
человеческая проверка больше не является надёжной страховкой.
Люди не просто пропускают ошибки ИИ -
они становятся более уверенными в этих ошибках.
Ни давление по времени, ни мотивация, ни обратная связь
не убрали эффект полностью.
Лучше всего сопротивлялись люди с высоким уровнем мышления
и привычкой анализировать.
И это ключевой момент:
это не проблема лени.
Это особенность того, как устроен наш мозг.
ИИ не просто помогает думать.
Он начинает думать вместо нас.
papers.ssrn.com/sol3/papers.cfm?abstract_id=6097646
🚨 РАЗНОС: OpenAI и Microsoft идут к разрыву
Появилась утечка pre-IPO документов OpenAI и там прямым текстом:
Microsoft -'nj риск для их бизнеса
Что происходит:
- Microsoft вложил десятки миллиардов
- дал инфраструктуру (Azure)
- стал основным партнёром и дистрибуцией
- владеет ~27% (≈ $135 млрд)
И после этого:
OpenAI официально называет Microsoft конкурентом. Цитата OpenAI инвесторам:
Но самое интересное:
- до 45% cloud-бэклога Microsoft завязано на OpenAI API
- при этом OpenAI подписывает сделку с Amazon на $50 млрд
- фактически ломая эксклюзив с Azure
Ответ Microsoft:
по слухам - уже рассматривают юридические действия
И параллельно заявляют:
• Cоюз трещит
• обе стороны готовятся жить друг без друга
• начинается борьба за контроль над AI-инфраструктурой
Самый дорогой «развод» в истории ИТ.
https://x.com/elonmusk/status/1953509998233104649
Появилась утечка pre-IPO документов OpenAI и там прямым текстом:
Microsoft -'nj риск для их бизнеса
Что происходит:
- Microsoft вложил десятки миллиардов
- дал инфраструктуру (Azure)
- стал основным партнёром и дистрибуцией
- владеет ~27% (≈ $135 млрд)
И после этого:
OpenAI официально называет Microsoft конкурентом. Цитата OpenAI инвесторам:
“Если партнёрство с Microsoft изменится или закончится — это ударит по нашему бизнесу”
Но самое интересное:
- до 45% cloud-бэклога Microsoft завязано на OpenAI API
- при этом OpenAI подписывает сделку с Amazon на $50 млрд
- фактически ломая эксклюзив с Azure
Ответ Microsoft:
по слухам - уже рассматривают юридические действия
И параллельно заявляют:
“Если OpenAI исчезнет - у нас есть всё: модели, данные, compute”
• Cоюз трещит
• обе стороны готовятся жить друг без друга
• начинается борьба за контроль над AI-инфраструктурой
Самый дорогой «развод» в истории ИТ.
https://x.com/elonmusk/status/1953509998233104649
🚀 9 стратегий деплоя, которые реально используют в DevOps
Современные команды выбирают стратегию релиза не «по привычке», а исходя из риска, бюджета и требований к uptime.
Вот база, которую нужно понимать:
1⃣ Recreate Deployment
Старую версию полностью останавливают, потом запускают новую
➝ Плюсы: просто, нет конфликтов
➝ Минусы: есть downtime
➝ Когда использовать: внутренние сервисы, простые системы
2⃣ Rolling Deployment
Обновление происходит постепенно, по инстансам
➝ Плюсы: без даунтайма, плавный rollout
➝ Минусы: одновременно работают разные версии
➝ Где используется: Kubernetes, Docker
3⃣ Blue-Green Deployment
Два окружения: старое (Blue) и новое (Green)
Переключение трафика происходит мгновенно
➝ Плюсы: быстрый rollback, безопасный релиз
➝ Минусы: дорого, сложнее с базой
4⃣ Canary Deployment
Сначала выкатываешь на небольшой % пользователей
➝ Плюсы: раннее обнаружение проблем
➝ Минусы: сложная маршрутизация и мониторинг
➝ Используют: Google, Netflix
5⃣ Shadow Deployment
Продакшн-трафик дублируется на новую версию
➝ Плюсы: тест на реальных данных без риска
➝ Минусы: дорого по ресурсам
6⃣ A/B Testing
Разным пользователям показываются разные версии
➝ Плюсы: решения на основе данных
➝ Минусы: сложная аналитика
➝ Цель: метрики, конверсии, поведение
7⃣ Feature Toggles (Flags)
Функция уже в проде, но скрыта за флагом
➝ Плюсы: мгновенное включение/выключение
➝ Минусы: усложняет код
8⃣ Immutable Deployment
Не обновляешь сервер - создаёшь новый
➝ Плюсы: стабильность, нет «дрейфа конфигурации»
➝ Минусы: дольше и дороже
9⃣ Serverless Deployment
Код выполняется по запросу, без серверов
➝ Плюсы: авто-скейлинг, платишь за использование
➝ Минусы: cold start, зависимость от провайдера
🧠 Вывод:
Нет «лучшей» стратегии
Есть подходящая под твою систему
- хочешь безопасность → Blue-Green / Canary
- хочешь простоту → Rolling
- хочешь контроль → Feature Flags
🔥 Сильные команды комбинируют несколько подходов сразу
Современные команды выбирают стратегию релиза не «по привычке», а исходя из риска, бюджета и требований к uptime.
Вот база, которую нужно понимать:
1⃣ Recreate Deployment
Старую версию полностью останавливают, потом запускают новую
➝ Плюсы: просто, нет конфликтов
➝ Минусы: есть downtime
➝ Когда использовать: внутренние сервисы, простые системы
2⃣ Rolling Deployment
Обновление происходит постепенно, по инстансам
➝ Плюсы: без даунтайма, плавный rollout
➝ Минусы: одновременно работают разные версии
➝ Где используется: Kubernetes, Docker
3⃣ Blue-Green Deployment
Два окружения: старое (Blue) и новое (Green)
Переключение трафика происходит мгновенно
➝ Плюсы: быстрый rollback, безопасный релиз
➝ Минусы: дорого, сложнее с базой
4⃣ Canary Deployment
Сначала выкатываешь на небольшой % пользователей
➝ Плюсы: раннее обнаружение проблем
➝ Минусы: сложная маршрутизация и мониторинг
➝ Используют: Google, Netflix
5⃣ Shadow Deployment
Продакшн-трафик дублируется на новую версию
➝ Плюсы: тест на реальных данных без риска
➝ Минусы: дорого по ресурсам
6⃣ A/B Testing
Разным пользователям показываются разные версии
➝ Плюсы: решения на основе данных
➝ Минусы: сложная аналитика
➝ Цель: метрики, конверсии, поведение
7⃣ Feature Toggles (Flags)
Функция уже в проде, но скрыта за флагом
➝ Плюсы: мгновенное включение/выключение
➝ Минусы: усложняет код
8⃣ Immutable Deployment
Не обновляешь сервер - создаёшь новый
➝ Плюсы: стабильность, нет «дрейфа конфигурации»
➝ Минусы: дольше и дороже
9⃣ Serverless Deployment
Код выполняется по запросу, без серверов
➝ Плюсы: авто-скейлинг, платишь за использование
➝ Минусы: cold start, зависимость от провайдера
🧠 Вывод:
Нет «лучшей» стратегии
Есть подходящая под твою систему
- хочешь безопасность → Blue-Green / Canary
- хочешь простоту → Rolling
- хочешь контроль → Feature Flags
🔥 Сильные команды комбинируют несколько подходов сразу
🚀 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
Самые горячие ИИ новости дня.
✔️ OpenAI удвоит штат сотрудников.
До конца года OpenAI планирует увеличить число специалистов почти в 2 раза - с 4500 до 8000 человек. Найм связан с желанием закрепить лидерство в B2B-сегменте и ускорить продуктовую гонку с Anthropic и Google.
Новые кадры усилят разработку, инженерию, ИИ-исследования и продажи. Акцент - на поиске экспертов, которые помогут бизнесу интегрировать инструменты OpenAI в свои процессы.
Чтобы всех разместить, стартап уже подписал договор на новый офис (общая площадь превысила 93 тыс. кв.м). Для достижения целей OpenAI предстоит нанимать в среднем по 12 человек ежедневно.
ft.com
✔️ Глава Nvidia предложил включить ИИ-токены в зарплатный пакет инженеров.
Дженсен Хуанг озвучил новую модель компенсации: помимо базовой зарплаты, сотрудникам планируют выделять бюджет в виде ИИ-токенов. По словам CEO Nvidia, базовая ставка инженера в Кремниевой долине высока и компания готова добавить бонус в токенах, эквивалентный половине средней зарплаты.
Это позволит свободно запускать ИИ-инструменты и делегировать им задачи с минимальным вмешательством человека. Идея отражает видение Хуанга об эволюции рабочих мест: инженеры будут управлять целым парком цифровых помощников.
Nvidia уже делает ставку на подобный симбиоз - глава корпорации рассчитывает, что бок о бок с 42 тыс. сотрудников будут трудиться сотни тысяч ИИ-агентов. Доступ к корпоративным ИИ-ресурсам станет одним из главных инструментов ИТ-рекрутинга.
cnbc.com
✔️ Tesla, SpaceX и xAI анонсировали строительство крупнейшей в мире фабрики.
Триада объединит усилия для создания TERAFAB - полного цикла от микросхем и чипов памяти до передовой компоновки кристаллов. Плановая мощность достигнет 1 тераватта.
Проект задуман как база для ежегодного вывода на орбиту 100 млн. тонн оборудования для сбора солнечной энергии, запуска космических ИИ-спутников и развертывания миллионов роботов Optimus.
По оценкам инженеров, только для роботов потребуется выпуск чипов мощностью от 100 до 200 гВт. Такие потребности превосходят возможности всех мировых производителей полупроводников вместе взятых и оставляют далеко позади прогнозы индустрии на 2030 год.
Tesla в сети Х
✔️ Huawei представила ИИ-ускоритель Atlas 350.
На China Partner Conference 2026 вендор выпустил ускоритель Atlas 350 на базе процессора Ascend 950PR. По заявлениям разработчиков, мощность одной карты в 2,87 раза превышает Nvidia H20. Это единственный ИИ-ускоритель на китайском рынке с поддержкой вычислений в формате FP4.
По сравнению с прошлым поколением существенно выросли векторная производительность и пропускная способность интерфейсов. Ускоритель оснащен 112 ГБ памяти HBM собственной разработки, что позволяет загружать LLM до 70 млрд. параметров на одну карту.
finance.sina.com.cn
✔️ Pokémon Go помог создать систему визуальной навигации для роботов-курьеров.
За 10 лет фанаты игры невольно собрали базу для обучения пространственного ИИ. Приложение накопило более 30 млрд. фотографий реального мира благодаря квестам, мотивирующим сканировать памятники и здания. Niantic Spatial взяло этот датасет и собрало систему визуальной навигации.
В отличие от GPS, она определяет локацию с точностью до сантиметров по визуальным маркерам. Это решает проблему навигации внутри помещений и в районах с плотной застройкой, где спутниковый сигнал искажается или пропадает.
Coco Robotics уже ставит эту систему на своих автономных курьеров. У роботов 4 камеры, они едут по улице и на ходу сверяются с 3D-картами, которые годами собирали ловцы покемонов.
the-independent.com
#news #ai #ml
До конца года OpenAI планирует увеличить число специалистов почти в 2 раза - с 4500 до 8000 человек. Найм связан с желанием закрепить лидерство в B2B-сегменте и ускорить продуктовую гонку с Anthropic и Google.
Новые кадры усилят разработку, инженерию, ИИ-исследования и продажи. Акцент - на поиске экспертов, которые помогут бизнесу интегрировать инструменты OpenAI в свои процессы.
Чтобы всех разместить, стартап уже подписал договор на новый офис (общая площадь превысила 93 тыс. кв.м). Для достижения целей OpenAI предстоит нанимать в среднем по 12 человек ежедневно.
ft.com
Дженсен Хуанг озвучил новую модель компенсации: помимо базовой зарплаты, сотрудникам планируют выделять бюджет в виде ИИ-токенов. По словам CEO Nvidia, базовая ставка инженера в Кремниевой долине высока и компания готова добавить бонус в токенах, эквивалентный половине средней зарплаты.
Это позволит свободно запускать ИИ-инструменты и делегировать им задачи с минимальным вмешательством человека. Идея отражает видение Хуанга об эволюции рабочих мест: инженеры будут управлять целым парком цифровых помощников.
Nvidia уже делает ставку на подобный симбиоз - глава корпорации рассчитывает, что бок о бок с 42 тыс. сотрудников будут трудиться сотни тысяч ИИ-агентов. Доступ к корпоративным ИИ-ресурсам станет одним из главных инструментов ИТ-рекрутинга.
cnbc.com
Триада объединит усилия для создания TERAFAB - полного цикла от микросхем и чипов памяти до передовой компоновки кристаллов. Плановая мощность достигнет 1 тераватта.
Проект задуман как база для ежегодного вывода на орбиту 100 млн. тонн оборудования для сбора солнечной энергии, запуска космических ИИ-спутников и развертывания миллионов роботов Optimus.
По оценкам инженеров, только для роботов потребуется выпуск чипов мощностью от 100 до 200 гВт. Такие потребности превосходят возможности всех мировых производителей полупроводников вместе взятых и оставляют далеко позади прогнозы индустрии на 2030 год.
Tesla в сети Х
На China Partner Conference 2026 вендор выпустил ускоритель Atlas 350 на базе процессора Ascend 950PR. По заявлениям разработчиков, мощность одной карты в 2,87 раза превышает Nvidia H20. Это единственный ИИ-ускоритель на китайском рынке с поддержкой вычислений в формате FP4.
По сравнению с прошлым поколением существенно выросли векторная производительность и пропускная способность интерфейсов. Ускоритель оснащен 112 ГБ памяти HBM собственной разработки, что позволяет загружать LLM до 70 млрд. параметров на одну карту.
finance.sina.com.cn
За 10 лет фанаты игры невольно собрали базу для обучения пространственного ИИ. Приложение накопило более 30 млрд. фотографий реального мира благодаря квестам, мотивирующим сканировать памятники и здания. Niantic Spatial взяло этот датасет и собрало систему визуальной навигации.
В отличие от GPS, она определяет локацию с точностью до сантиметров по визуальным маркерам. Это решает проблему навигации внутри помещений и в районах с плотной застройкой, где спутниковый сигнал искажается или пропадает.
Coco Robotics уже ставит эту систему на своих автономных курьеров. У роботов 4 камеры, они едут по улице и на ходу сверяются с 3D-картами, которые годами собирали ловцы покемонов.
the-independent.com
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🚀 GPT-5.4 Pro решил открытую задачу из FrontierMath
Kevin Barreto и Liam Price с помощью GPT-5.4 Pro нашли решение,
которое подтвердил математик Will Brian (UNC Charlotte)
Речь про одну из открытых задач в FrontierMath и уже готовится публикация:
- это не просто «помог ИИ»
- это полноценная конструкция
- проверена экспертом
https://x.com/EpochAIResearch/status/2036114281985724906
Kevin Barreto и Liam Price с помощью GPT-5.4 Pro нашли решение,
которое подтвердил математик Will Brian (UNC Charlotte)
Речь про одну из открытых задач в FrontierMath и уже готовится публикация:
- это не просто «помог ИИ»
- это полноценная конструкция
- проверена экспертом
https://x.com/EpochAIResearch/status/2036114281985724906
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 Open-source прорыв: PrismAudio
Вышла модель PrismAudio и она уже забирает SOTA в генерации аудио из видео (V2A)
Что важно:
- 518M модель, принята на ICLR 2026
- обходит все аналоги по качеству звука
- быстрее конкурентов: ~0.63s на инференс
Главная фишка:
модель думает не одним блоком, а разбивает задачу на 4 части:
- смысл (что происходит)
- время (когда звучит)
- эстетика (как звучит)
- пространство (где звучит)
И обучается через RL прямо внутри этого процесса
Результат:
- топ по всем метрикам (CLAP, MOS и др.)
- лучше MMAudio, ThinkSound и HunyuanVideo
- стабильно работает даже вне обучающего датасета
Плюс: выпустили новый бенчмарк AudioCanvas - 800+ сценариев со звуками
Model: https://modelscope.ai/models/iic/PrismAudio
Demo: https://modelscope.cn/studios/iic/PrismAudio
Paper: https://modelscope.ai/papers/2511.18833
GitHub: https://github.com/FunAudioLLM/ThinkSound/tree/prismaudio
🐍 Python полезные ресурсы 🚀Max
@pythonl
Вышла модель PrismAudio и она уже забирает SOTA в генерации аудио из видео (V2A)
Что важно:
- 518M модель, принята на ICLR 2026
- обходит все аналоги по качеству звука
- быстрее конкурентов: ~0.63s на инференс
Главная фишка:
модель думает не одним блоком, а разбивает задачу на 4 части:
- смысл (что происходит)
- время (когда звучит)
- эстетика (как звучит)
- пространство (где звучит)
И обучается через RL прямо внутри этого процесса
Результат:
- топ по всем метрикам (CLAP, MOS и др.)
- лучше MMAudio, ThinkSound и HunyuanVideo
- стабильно работает даже вне обучающего датасета
Плюс: выпустили новый бенчмарк AudioCanvas - 800+ сценариев со звуками
Model: https://modelscope.ai/models/iic/PrismAudio
Demo: https://modelscope.cn/studios/iic/PrismAudio
Paper: https://modelscope.ai/papers/2511.18833
GitHub: https://github.com/FunAudioLLM/ThinkSound/tree/prismaudio
🐍 Python полезные ресурсы 🚀Max
@pythonl
🚀 5 вещей, которые я добавляю в каждый .NET проект
Если сделать это сразу - потом не будешь страдать в проде
1️⃣ .editorconfig / .props
Автоматически фиксируют стиль кода
→ меньше споров, больше консистентности
2️⃣ Статический анализ
SonarAnalyzer и аналоги
→ ловят баги ещё до запуска
3️⃣ Наблюдаемость (Observability)
Serilog + OpenTelemetry
→ логи + трейсы = понимаешь, что реально происходит
4️⃣ Docker Compose / .NET Aspire
Поднимаешь всё окружение одной командой
→ БД, кеши, очереди
5️⃣ CI/CD с первого дня
Авто-сборка и тесты
→ не даёшь сломанному коду попасть в main
Настроил один раз
→ экономишь десятки часов потом
🔥 Самое сложное для большинства - Observability
но именно оно спасает в проде
Если сделать это сразу - потом не будешь страдать в проде
1️⃣ .editorconfig / .props
Автоматически фиксируют стиль кода
→ меньше споров, больше консистентности
2️⃣ Статический анализ
SonarAnalyzer и аналоги
→ ловят баги ещё до запуска
3️⃣ Наблюдаемость (Observability)
Serilog + OpenTelemetry
→ логи + трейсы = понимаешь, что реально происходит
4️⃣ Docker Compose / .NET Aspire
Поднимаешь всё окружение одной командой
→ БД, кеши, очереди
5️⃣ CI/CD с первого дня
Авто-сборка и тесты
→ не даёшь сломанному коду попасть в main
Настроил один раз
→ экономишь десятки часов потом
🔥 Самое сложное для большинства - Observability
но именно оно спасает в проде
🚀 Топ-12 альтернатив Docker в 2026 году
1. Podman
https://podman.io
2. containerd
https://containerd.io
3. CRI-O
https://cri-o.io
4. runc
https://github.com/opencontainers/runc
5. Buildah
https://buildah.io
6. Kaniko
https://github.com/GoogleContainerTools/kaniko
7. nerdctl
https://github.com/containerd/nerdctl
8. Rancher Desktop
https://rancherdesktop.io
9. OrbStack
https://orbstack.dev
10. LXC / LXD
https://linuxcontainers.org
11. Colima
https://github.com/abiosoft/colima
12. Lima
https://github.com/lima-vm/lima
🧠 Если кратко:
- Podman - без демона, безопаснее
- containerd / CRI-O - уровень Kubernetes
- Buildah / Kaniko - сборка образов без Docker
- OrbStack / Colima - удобная локальная замена
🔥 Docker - не единственный вариант
Подписывайся, больше фишек каждый день !
1. Podman
https://podman.io
2. containerd
https://containerd.io
3. CRI-O
https://cri-o.io
4. runc
https://github.com/opencontainers/runc
5. Buildah
https://buildah.io
6. Kaniko
https://github.com/GoogleContainerTools/kaniko
7. nerdctl
https://github.com/containerd/nerdctl
8. Rancher Desktop
https://rancherdesktop.io
9. OrbStack
https://orbstack.dev
10. LXC / LXD
https://linuxcontainers.org
11. Colima
https://github.com/abiosoft/colima
12. Lima
https://github.com/lima-vm/lima
🧠 Если кратко:
- Podman - без демона, безопаснее
- containerd / CRI-O - уровень Kubernetes
- Buildah / Kaniko - сборка образов без Docker
- OrbStack / Colima - удобная локальная замена
🔥 Docker - не единственный вариант
Подписывайся, больше фишек каждый день !
🚀 Похоже, в Claude Code появилась новая фича - Auto-dream
Пока официально не анонсирована, но её уже заметили в
• Что это такое
Auto-dream - это фоновый подагент Claude, который:
- анализирует последние сессии
- извлекает ключевые знания
- обновляет MEMORY.md
- очищает и переорганизует старые данные
• Как устроена память
- MEMORY.md - это индекс
- отдельные файлы - детали по темам
- /memory - управление системой
👉 по сути, как garbage collector, но для памяти
🐍 Python полезные ресурсы 🚀Max
@data_analysis_ml
Пока официально не анонсирована, но её уже заметили в
/memory• Что это такое
Auto-dream - это фоновый подагент Claude, который:
- анализирует последние сессии
- извлекает ключевые знания
- обновляет MEMORY.md
- очищает и переорганизует старые данные
• Как устроена память
- MEMORY.md - это индекс
- отдельные файлы - детали по темам
- /memory - управление системой
👉 по сути, как garbage collector, но для памяти
🐍 Python полезные ресурсы 🚀Max
@data_analysis_ml
🚀 DeepMind идёт в робототехнику
Google DeepMind и Agile Robots объявили партнёрство, чтобы дать промышленным роботам мозг.
Разработчики планируют использовать модели Gemini Robotics, которые умеют:
- адаптироваться к ситуации
- понимать контекст
- принимать решения
Agile Robots уже делает и внедряет роботов в промышленной индустрии ,DeepMind предоставит этим прлбота интеллект
Комбинация:
железо + сильные модели = новый класс систем.
https://www.agile-robots.com/en/news/detail/agile-robots-and-google-deepmind-partner-to-bring-intelligence-to-robotics/
Google DeepMind и Agile Robots объявили партнёрство, чтобы дать промышленным роботам мозг.
Разработчики планируют использовать модели Gemini Robotics, которые умеют:
- адаптироваться к ситуации
- понимать контекст
- принимать решения
Agile Robots уже делает и внедряет роботов в промышленной индустрии ,DeepMind предоставит этим прлбота интеллект
Комбинация:
железо + сильные модели = новый класс систем.
https://www.agile-robots.com/en/news/detail/agile-robots-and-google-deepmind-partner-to-bring-intelligence-to-robotics/
🚨 Как студент на деньги, просто тестируя AI
Парень взял бесплатный триал Google Cloud на $300 и сделал несколько AI-видео для эксперимента.
Через 5-6 дней аккаунт остановили, а на балансе появился долг ₹51,164 (~$600). Без предупреждений и уведомлений.
Он написал в поддержку, объяснил ситуацию. После долгой переписки ему списали 90%.
Но оставшиеся ₹5,164 всё равно требуют оплатить и уже передали дело коллекторам.
https://x.com/iamankitpande/status/2036050862200729710?s=20
Парень взял бесплатный триал Google Cloud на $300 и сделал несколько AI-видео для эксперимента.
Через 5-6 дней аккаунт остановили, а на балансе появился долг ₹51,164 (~$600). Без предупреждений и уведомлений.
Он написал в поддержку, объяснил ситуацию. После долгой переписки ему списали 90%.
Но оставшиеся ₹5,164 всё равно требуют оплатить и уже передали дело коллекторам.
https://x.com/iamankitpande/status/2036050862200729710?s=20
Хотя Anthropic изначально делала ставку на корпоративный сегмент, им удалось уверенно выйти и на массовый рынок.
Обновления выходят почти каждый день.
Anthropic смогли стереть границу между «бизнес-инструментом» и «продуктом для всех».
А последние релизы показывают: они не просто догоняют тренды, а начинают их задавать.
Пользуетесь ли вы Claude?
Какое из последних обновлений зашло больше всего? 👇
@ai_machinelearning_big_data
#Claude
Please open Telegram to view this post
VIEW IN TELEGRAM
• Да, ее можно запустить БЕЗ ограничений на домашнем компе и даже не слишком мощном железе.
• Нейронка шустрая и очень умная — идеально для повседневных рабочих задач.
• Поддерживает контекст в 262 000 токенов — можно грузить целые книги, папки с кодом и документы.
• Полностью автономна, запускает целые цепочки рассуждений.
• Стабильнее других моделей Qwen работает с внешними API.
• БЕЗ ограничений, БЕЗ цензуры, БЕЗ подписок.
Ваш домашний монстр лежит — тут.
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Google представили TurboQuant - алгоритм, который сильно снижает требования к памяти при работе LLM.
KV-cache - это то, что хранит весь контекст во время генерации.
И именно он сейчас становится главным ограничением, а не сами модели.
Чем длиннее диалог или больше пользователей, тем быстрее заканчивается память на GPU.
TurboQuant решает это так:
- сжимает KV-cache минимум в 6 раз
- ускоряет инференс до 8 раз
- сохраняет качество без заметной потери
Это ключевой момент: раньше компрессия почти всегда ухудшала ответы.
Как это устроено:
- сначала данные преобразуются (rotation), чтобы их было проще сжимать
- затем применяется основной алгоритм сжатия (PolarQuant)
- после этого добавляется лёгкая коррекция (QJL), которая убирает ошибки
В итоге получается почти точное восстановление при сильно меньшем объёме.
С TurboQuant:
- модели можно запускать на меньшем количестве GPU
- один сервер может обслуживать больше запросов
- становится проще работать с длинным контекстом
- падает стоимость инференса
По сути, это не про “ускорить модель”, а про перераспределение ресурсов внутри всей системы.
Раньше оптимизировали веса моделей
теперь оптимизируют то, как они работают в проде
И KV-cache, как раз одна из самых дорогих частей.
https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/
🐍 полезные ресурсы 🚀Max
@data_analysis_ml
KV-cache - это то, что хранит весь контекст во время генерации.
И именно он сейчас становится главным ограничением, а не сами модели.
Чем длиннее диалог или больше пользователей, тем быстрее заканчивается память на GPU.
TurboQuant решает это так:
- сжимает KV-cache минимум в 6 раз
- ускоряет инференс до 8 раз
- сохраняет качество без заметной потери
Это ключевой момент: раньше компрессия почти всегда ухудшала ответы.
Как это устроено:
- сначала данные преобразуются (rotation), чтобы их было проще сжимать
- затем применяется основной алгоритм сжатия (PolarQuant)
- после этого добавляется лёгкая коррекция (QJL), которая убирает ошибки
В итоге получается почти точное восстановление при сильно меньшем объёме.
С TurboQuant:
- модели можно запускать на меньшем количестве GPU
- один сервер может обслуживать больше запросов
- становится проще работать с длинным контекстом
- падает стоимость инференса
По сути, это не про “ускорить модель”, а про перераспределение ресурсов внутри всей системы.
Раньше оптимизировали веса моделей
теперь оптимизируют то, как они работают в проде
И KV-cache, как раз одна из самых дорогих частей.
https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/
🐍 полезные ресурсы 🚀Max
@data_analysis_ml
OpenAI переименовала продуктовое подразделение Фиджи Симо в «AGI Deployment», буквально «Развёртывание ИИО». Сэм Альтман параллельно заявил, что следующая языковая модель является «очень сильной», и добавил, что она «реально ускорит экономику».
Два варианта интерпретации: либо OpenAI действительно достигла искусственного общего интеллекта, либо это самый масштабный PR-ход в истории технологий. Сообщество разделилось, мнения прямо противоположные.
🔗 https://x.com/kimmonismus/status/2036547535272296516
Please open Telegram to view this post
VIEW IN TELEGRAM
Архитектура Docker, если убрать лишнее, выглядит очень просто:
Есть образ (image) - это слепок приложения с зависимостями.
Один раз собрал - запускаешь где угодно.
Есть контейнер (container) - это уже запущенный образ.
По сути изолированный процесс с файловой системой, сетью и настройками.
Docker Engine - сердце всей системы.
Он принимает команды через CLI/API и управляет контейнерами.
Docker Daemon - фоновый процесс, который:
• создаёт контейнеры
• запускает их
• следит за состоянием
Docker Client - то, через что ты работаешь (docker CLI).
Docker Hub / Registry - место, где хранятся образы.
Оттуда ты делаешь pull, туда - push.
Как это работает в реальности:
Ты пишешь Dockerfile →
docker build → получаешь image
docker push → отправляешь в registry
На сервере:
docker pull → скачал
docker run → запустил контейнер
Зачем это:
Одинаковая среда везде (dev = prod)
быстрый деплой без «у меня работает»
изоляция сервисов
масштабирование через контейнеры
Если упростить до одной мысли:
Docker - это не про контейнеры.
Это про предсказуемый запуск кода в любой среде.
Есть образ (image) - это слепок приложения с зависимостями.
Один раз собрал - запускаешь где угодно.
Есть контейнер (container) - это уже запущенный образ.
По сути изолированный процесс с файловой системой, сетью и настройками.
Docker Engine - сердце всей системы.
Он принимает команды через CLI/API и управляет контейнерами.
Docker Daemon - фоновый процесс, который:
• создаёт контейнеры
• запускает их
• следит за состоянием
Docker Client - то, через что ты работаешь (docker CLI).
Docker Hub / Registry - место, где хранятся образы.
Оттуда ты делаешь pull, туда - push.
Как это работает в реальности:
Ты пишешь Dockerfile →
docker build → получаешь image
docker push → отправляешь в registry
На сервере:
docker pull → скачал
docker run → запустил контейнер
Зачем это:
Одинаковая среда везде (dev = prod)
быстрый деплой без «у меня работает»
изоляция сервисов
масштабирование через контейнеры
Если упростить до одной мысли:
Docker - это не про контейнеры.
Это про предсказуемый запуск кода в любой среде.