Кто-то только что переписал 40 лет PostgreSQL с нуля на Rust.
И он уже проходит 100% официальных тестов Postgres.
Проект называется pgrust.
Это не форк, а полная реализация с нуля, которая уже проходит все 46 066 запросов из официального тестового набора PostgreSQL 18.3.
Postgres разрабатывается уже 40 лет, и некоторые архитектурные решения из 80-х до сих пор приводят к сбоям:
- один поток на соединение, фактически отдельный OS-процесс на пользователя
- 350+ параметров настройки, которыми нужно управлять вручную
- один только
pgrust выбрасывает всё это и начинает заново.
Что уже работает:
- проходит 96% regression suite PostgreSQL
-
- query planner, buffer cache, storage engine, B-tree индексы
- JSON/JSONB, window functions, foreign keys,
- тот же движок компилируется в WebAssembly и запускается прямо в браузере на
100% open source.
https://github.com/malisper/pgrust
И он уже проходит 100% официальных тестов Postgres.
Проект называется pgrust.
Это не форк, а полная реализация с нуля, которая уже проходит все 46 066 запросов из официального тестового набора PostgreSQL 18.3.
Postgres разрабатывается уже 40 лет, и некоторые архитектурные решения из 80-х до сих пор приводят к сбоям:
- один поток на соединение, фактически отдельный OS-процесс на пользователя
- 350+ параметров настройки, которыми нужно управлять вручную
- один только
VACUUM стал причиной тысяч инцидентовpgrust выбрасывает всё это и начинает заново.
Что уже работает:
- проходит 96% regression suite PostgreSQL
-
psql подключается из коробки, есть совместимость с wire protocol- query planner, buffer cache, storage engine, B-tree индексы
- JSON/JSONB, window functions, foreign keys,
EXPLAIN ANALYZE, regex- тот же движок компилируется в WebAssembly и запускается прямо в браузере на
pgrust.com100% open source.
https://github.com/malisper/pgrust
🔥47🤔11👍3🙈3😁2🥰1
🚀 Anthropic выложили reference harness для поиска и исправления уязвимостей с Claude
Очень недооценённый репозиторий для defensive security.
Идея простая: Claude проходит полный цикл работы с уязвимостью:
* threat model
* поиск подозрительных мест
* проверка
* triage
* отчёт
* патч
Внутри есть Claude Code skills вроде
Есть и автономный harness: можно настроить цель, ограничения и дать агенту самому пройти цикл анализа.
https://github.com/anthropics/defending-code-reference-harness
Очень недооценённый репозиторий для defensive security.
Идея простая: Claude проходит полный цикл работы с уязвимостью:
* threat model
* поиск подозрительных мест
* проверка
* triage
* отчёт
* патч
Внутри есть Claude Code skills вроде
/vuln-scan, /triage и /patch, которые можно запускать интерактивно.Есть и автономный harness: можно настроить цель, ограничения и дать агенту самому пройти цикл анализа.
https://github.com/anthropics/defending-code-reference-harness
👍9❤7😁2
Thinking Machines Lab выкатила Inkling - свою первую open-weights модель.
И это сразу тяжёлый релиз:
* 975B total params
* 41B active
* 1M context
* обучение на 45T токенов
* текст, изображения, аудио и видео
* рядом идёт preview Inkling-Small с 12B active
Они прямо пишут, что Inkling не лидер среди всех open и closed моделей. Ставка другая: дать сильную multimodal базу, которую можно дообучать под свои задачи.
Самая интересная часть - связка с Tinker.
Inkling можно fine-tune’ить прямо на платформе Thinking Machines. В демо модель даже сама написала себе fine-tuning job, обучилась избегать буквы “e” в ответах, прогнала eval и переключилась на новые веса.
То есть они показывают полный контур кастомизации:
модель → задача → данные → fine-tune → eval → новые веса.
Похоже, Thinking Machines строит фабрику моделей под конкретные продукты.
https://thinkingmachines.ai/news/introducing-inkling/
И это сразу тяжёлый релиз:
* 975B total params
* 41B active
* 1M context
* обучение на 45T токенов
* текст, изображения, аудио и видео
* рядом идёт preview Inkling-Small с 12B active
Они прямо пишут, что Inkling не лидер среди всех open и closed моделей. Ставка другая: дать сильную multimodal базу, которую можно дообучать под свои задачи.
Самая интересная часть - связка с Tinker.
Inkling можно fine-tune’ить прямо на платформе Thinking Machines. В демо модель даже сама написала себе fine-tuning job, обучилась избегать буквы “e” в ответах, прогнала eval и переключилась на новые веса.
То есть они показывают полный контур кастомизации:
модель → задача → данные → fine-tune → eval → новые веса.
Похоже, Thinking Machines строит фабрику моделей под конкретные продукты.
https://thinkingmachines.ai/news/introducing-inkling/
❤12👍5🤣4🔥3
Kimi K3 может стать моментом DeepSeek 2.0
Первые бенчмарки выглядят очень сильно. Kimi K3 уже называют моделью, которая сокращает разрыв между китайскими open-weight моделями и закрытыми флагманами США. FT пишет, что K3 должна превзойти Opus 4.8 в ряде бенчмарков, но при этом всё ещё не дотягивает до закрытой Fable.
Opus 4.8 вышла в конце мая, Anthropic позиционировала её как заметное обновление для agentic-задач, reasoning и работы с инструментами. Если Kimi K3 действительно обходит её в части тестов, тезис «Китай стабильно отстаёт на 6–8 месяцев» становится всё слабее.
Отдельно Kimi-K3 уже вышла на первое место в Frontend Code Arena с 1679 pts, обойдя Claude Fable 5. В frontend она стала №1 в 6 из 7 доменов: Brand & Marketing, Reference-Based Design, Data & Analytics, Consumer Product, Simulations и Content Creation Tools.
Конечно, бенчмарки ещё нужно проверять реальным использованием: coding agents, большие репозитории, 3D, интерфейсы, долгие задачи, стабильность и цена.
Китайские модели всё ближе к frontier-уровню американских закрытых.
Kimi K3 - не Fable и не Mythos. Но она уже слишком близко к топовым западным моделям, чтобы относиться к ней как к «ещё одной open model».
kimi.com/code/docs/en/kimi-code/models
@machinelearning_interview
Первые бенчмарки выглядят очень сильно. Kimi K3 уже называют моделью, которая сокращает разрыв между китайскими open-weight моделями и закрытыми флагманами США. FT пишет, что K3 должна превзойти Opus 4.8 в ряде бенчмарков, но при этом всё ещё не дотягивает до закрытой Fable.
Opus 4.8 вышла в конце мая, Anthropic позиционировала её как заметное обновление для agentic-задач, reasoning и работы с инструментами. Если Kimi K3 действительно обходит её в части тестов, тезис «Китай стабильно отстаёт на 6–8 месяцев» становится всё слабее.
Отдельно Kimi-K3 уже вышла на первое место в Frontend Code Arena с 1679 pts, обойдя Claude Fable 5. В frontend она стала №1 в 6 из 7 доменов: Brand & Marketing, Reference-Based Design, Data & Analytics, Consumer Product, Simulations и Content Creation Tools.
Конечно, бенчмарки ещё нужно проверять реальным использованием: coding agents, большие репозитории, 3D, интерфейсы, долгие задачи, стабильность и цена.
Китайские модели всё ближе к frontier-уровню американских закрытых.
Kimi K3 - не Fable и не Mythos. Но она уже слишком близко к топовым западным моделям, чтобы относиться к ней как к «ещё одной open model».
kimi.com/code/docs/en/kimi-code/models
@machinelearning_interview
❤22🔥7👍6🤩2
SenseNova выпустила U1-Infographic-V3 - модель, которая делает инфографику в формате generate-and-edit/
Это 8B-MoT модель на мультимодальной архитектуре NEO-unify. Она умеет не только создавать инфографику, но и нормально её редактировать.
Поддерживаются 10 типов правок в четырёх группах:
* локальное редактирование текста
* локальное редактирование контента
* смена глобального стиля
* изменение глобального лэйаута
По заявленным результатам, генеративная база унаследована от V2 и в их сравнении опережает Qwen-Image-2.0 и Z-Image на BizGenEval и IGenBench.
Лицензия — Apache 2.0.
Модель: https://modelscope.ai/models/SenseNova/SenseNova-U1-8B-MoT-Infographic-V3
Пейпер: https://modelscope.ai/papers/2605.12500
Это 8B-MoT модель на мультимодальной архитектуре NEO-unify. Она умеет не только создавать инфографику, но и нормально её редактировать.
Поддерживаются 10 типов правок в четырёх группах:
* локальное редактирование текста
* локальное редактирование контента
* смена глобального стиля
* изменение глобального лэйаута
По заявленным результатам, генеративная база унаследована от V2 и в их сравнении опережает Qwen-Image-2.0 и Z-Image на BizGenEval и IGenBench.
Лицензия — Apache 2.0.
Модель: https://modelscope.ai/models/SenseNova/SenseNova-U1-8B-MoT-Infographic-V3
Пейпер: https://modelscope.ai/papers/2605.12500
👍6🔥6❤5
Модели для распознавания и анализа речи — в открытом доступе
Команда GigaChat выложила две модели и датасет:
— GigaChat3.1-Audio-10B-A1.8B - audio-native LLM
— GigaAM-Multilingual - мультиязычный ASR
— TimeGround-1M - датасет для привязки событий ко времени в длинном аудио
GigaChat Audio работает со звуком напрямую, без промежуточной расшифровки в текст. Ведёт диалог по записи, распознаёт речь, переводит, классифицирует и собирает выжимку с таймкодами. Держит до двух часов аудио — то есть созвон или лекцию целиком, без нарезки на куски.
Загрузил запись — получил резюме и таймкоды, чтобы перемотать к нужному месту. Сильная сторона как раз в этом: модель понимает не только что сказали, но и когда.
GigaAM-Multilingual — распознавание речи на русском, английском, казахском, киргизском и узбекском.
Энкодер предобучен на 2 млн часов и 70+ языках, так что под новый язык или домен дообучается на скромных данных: грузинский и башкирский подняли с одного Common Voice до WER ~4%.
TimeGround-1M — это данные, а не веса. Веса сейчас открывают многие, датасеты — заметно реже, а здесь можно учить собственные модели привязывать события ко времени.
Что можно собрать уже сейчас:
— ассистент по встречам и лекциям
— поиск по аудиозаписям
— выжимки с таймкодами
— ASR для ботов и приложений
— дообучение под свой язык и домен
У Audio-модели 10B параметров, активных — 1,8B, так что поднять её реально на своём железе. Обе статьи приняли на Interspeech 2026.
Hugging Face:
— https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B
— https://huggingface.co/ai-sage/GigaAM-Multilingual
— https://huggingface.co/datasets/ai-sage/TimeGround-1M
С удовольствием посмотрел статьи команды:
https://arxiv.org/abs/2607.10387
https://arxiv.org/abs/2607.10371
Команда GigaChat выложила две модели и датасет:
— GigaChat3.1-Audio-10B-A1.8B - audio-native LLM
— GigaAM-Multilingual - мультиязычный ASR
— TimeGround-1M - датасет для привязки событий ко времени в длинном аудио
GigaChat Audio работает со звуком напрямую, без промежуточной расшифровки в текст. Ведёт диалог по записи, распознаёт речь, переводит, классифицирует и собирает выжимку с таймкодами. Держит до двух часов аудио — то есть созвон или лекцию целиком, без нарезки на куски.
Загрузил запись — получил резюме и таймкоды, чтобы перемотать к нужному месту. Сильная сторона как раз в этом: модель понимает не только что сказали, но и когда.
GigaAM-Multilingual — распознавание речи на русском, английском, казахском, киргизском и узбекском.
Энкодер предобучен на 2 млн часов и 70+ языках, так что под новый язык или домен дообучается на скромных данных: грузинский и башкирский подняли с одного Common Voice до WER ~4%.
TimeGround-1M — это данные, а не веса. Веса сейчас открывают многие, датасеты — заметно реже, а здесь можно учить собственные модели привязывать события ко времени.
Что можно собрать уже сейчас:
— ассистент по встречам и лекциям
— поиск по аудиозаписям
— выжимки с таймкодами
— ASR для ботов и приложений
— дообучение под свой язык и домен
У Audio-модели 10B параметров, активных — 1,8B, так что поднять её реально на своём железе. Обе статьи приняли на Interspeech 2026.
Hugging Face:
— https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B
— https://huggingface.co/ai-sage/GigaAM-Multilingual
— https://huggingface.co/datasets/ai-sage/TimeGround-1M
С удовольствием посмотрел статьи команды:
https://arxiv.org/abs/2607.10387
https://arxiv.org/abs/2607.10371
❤15👍8🔥3🥴3❤🔥1👏1
Исследователи дали coding agent задачу собрать training environment и научить vision-модель считать цветные звёзды.
С ограничением по времени.
Агент работал через autoresearch-пайплайн на NeMo RL, NeMo Gym и reusable skills. Он сам поднимал окружение, запускал обучение, проверял результаты и двигал эксперимент дальше, пока исследователь только направлял процесс.
Результат: Qwen3-VL-2B поднялась с 25% до 96.9% accuracy на задаче подсчёта цветных объектов.
Агент ведёт исследовательский цикл:
* собирает среду
* запускает обучение
* оценивает модель
* анализирует результат
* предлагает следующий эксперимент
И вот это уже похоже на будущее ML-разработки: человек задаёт направление и критерии, а агент берёт на себя рутину вокруг экспериментов.
https://developer.nvidia.com/blog/how-to-run-an-autoresearch-workflow-with-rl-agent-skills-and-nvidia-nemo/?linkId=100000430716000
С ограничением по времени.
Агент работал через autoresearch-пайплайн на NeMo RL, NeMo Gym и reusable skills. Он сам поднимал окружение, запускал обучение, проверял результаты и двигал эксперимент дальше, пока исследователь только направлял процесс.
Результат: Qwen3-VL-2B поднялась с 25% до 96.9% accuracy на задаче подсчёта цветных объектов.
Агент ведёт исследовательский цикл:
* собирает среду
* запускает обучение
* оценивает модель
* анализирует результат
* предлагает следующий эксперимент
И вот это уже похоже на будущее ML-разработки: человек задаёт направление и критерии, а агент берёт на себя рутину вокруг экспериментов.
https://developer.nvidia.com/blog/how-to-run-an-autoresearch-workflow-with-rl-agent-skills-and-nvidia-nemo/?linkId=100000430716000
❤17👍11🥰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.
🤣1🗿1🆒1
Maths, CS & AI Compendium: бесплатный учебник для будущих AI/ML-инженеров
На GitHub завирусился большой open-source компедиум по математике, computer science и AI. Сейчас у проекта уже около 6.3K звёзд.
Автор позиционирует его как «нестандартный учебник» для практиков: меньше сухой нотации, больше интуиции, связей между темами и реального контекста.
Внутри 20 глав:
* векторы, матрицы, calculus
* статистика и вероятность
* machine learning и deep learning
* NLP, computer vision, audio/speech
* multimodal learning и autonomous systems
* GNN, OS, алгоритмы
* production engineering, GPU/SIMD
* AI inference, ML systems design и applied AI
Отдельно есть MCP server, чтобы Claude Code, Cursor, VS Code и другие AI-ассистенты могли использовать компедиум как локальную базу знаний.
Хороший ресурс для тех, кто хочет не просто «выучить ML», а собрать фундамент: математика → CS → ML systems → современный AI.
GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium
thub.com/HenryNdubuaku/maths-cs-ai-compendium
На GitHub завирусился большой open-source компедиум по математике, computer science и AI. Сейчас у проекта уже около 6.3K звёзд.
Автор позиционирует его как «нестандартный учебник» для практиков: меньше сухой нотации, больше интуиции, связей между темами и реального контекста.
Внутри 20 глав:
* векторы, матрицы, calculus
* статистика и вероятность
* machine learning и deep learning
* NLP, computer vision, audio/speech
* multimodal learning и autonomous systems
* GNN, OS, алгоритмы
* production engineering, GPU/SIMD
* AI inference, ML systems design и applied AI
Отдельно есть MCP server, чтобы Claude Code, Cursor, VS Code и другие AI-ассистенты могли использовать компедиум как локальную базу знаний.
Хороший ресурс для тех, кто хочет не просто «выучить ML», а собрать фундамент: математика → CS → ML systems → современный AI.
GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium
thub.com/HenryNdubuaku/maths-cs-ai-compendium
❤7🔥5👍2