Бесплатный курс «Математика в машинном обучении» https://stepik.org/226596 предназначен для тех, кто хочет углубить свои знания в области математики, необходимой для понимания и применения методов машинного обучения и искусственного интеллекта. Этот курс охватывает ключевые математические концепции, лежащие в основе современных алгоритмов машинного обучения, таких как линейная алгебра, теория вероятностей, статистика и оптимизация.
https://t.me/ - вся база машинного обучения, дополнительные гайды и разбора кода, вы найдете в нашем канале, переходите.
Мы начнем с базовых понятий, таких как векторы, матрицы и линейные преобразования, и постепенно перейдем к более сложным темам, таким как градиентный спуск, нормализация данных и работа с тензорами. Особое внимание будет уделено практическим аспектам применения математических инструментов в реальных задачах машинного обучения.
По окончании курса вы сможете уверенно понимать и интерпретировать результаты работы различных моделей машинного обучения, а также самостоятельно разрабатывать и настраивать алгоритмы под конкретные задачи. Этот курс станет отличным фундаментом для дальнейшего изучения и применения технологий искусственного интеллекта и машинного обучения.
https://stepik.org/226596
@python_be1
https://t.me/ - вся база машинного обучения, дополнительные гайды и разбора кода, вы найдете в нашем канале, переходите.
Мы начнем с базовых понятий, таких как векторы, матрицы и линейные преобразования, и постепенно перейдем к более сложным темам, таким как градиентный спуск, нормализация данных и работа с тензорами. Особое внимание будет уделено практическим аспектам применения математических инструментов в реальных задачах машинного обучения.
По окончании курса вы сможете уверенно понимать и интерпретировать результаты работы различных моделей машинного обучения, а также самостоятельно разрабатывать и настраивать алгоритмы под конкретные задачи. Этот курс станет отличным фундаментом для дальнейшего изучения и применения технологий искусственного интеллекта и машинного обучения.
https://stepik.org/226596
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
VokoscreenNG
VokoscreenNG — это универсальный инструмент для создания скринкастов на Windows и Linux, который позволяет записывать экран, отдельные области или окна и звук из различных источников.
Программа поддерживает веб-камеры, включает таймер и функции зума, а также доступна на нескольких языках.
https://github.com/vkohaupt/vokoscreenNG
================
👁 | 👁 | 👁 | 👁
@python_be1
VokoscreenNG — это универсальный инструмент для создания скринкастов на Windows и Linux, который позволяет записывать экран, отдельные области или окна и звук из различных источников.
Программа поддерживает веб-камеры, включает таймер и функции зума, а также доступна на нескольких языках.
https://github.com/vkohaupt/vokoscreenNG
================
👁 | 👁 | 👁 | 👁
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 Трюк: проверка сетевых сервисов в Python через socket
В Python можно быстро проверить, доступен ли сетевой сервис и как быстро он отвечает, не прибегая к сложным утилитам.
Это помогает опытным разработчикам, когда нужно оперативно убедиться, что API или база данных действительно доступны и не "подвисают".
Через socket можно реализовать мини-проверку состояния сети и времени отклика.
#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest
@python_be1
В Python можно быстро проверить, доступен ли сетевой сервис и как быстро он отвечает, не прибегая к сложным утилитам.
Это помогает опытным разработчикам, когда нужно оперативно убедиться, что API или база данных действительно доступны и не "подвисают".
Через socket можно реализовать мини-проверку состояния сети и времени отклика.
#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest
@python_be1
😨Индийский сайт с курсами по программированию. лол
Однажды я зашел на его YouTube-канал и увидел два параллельных стрима — по Java и Python, которые вел один и тот же преподаватель, одновременно пишущий код и отвечающий на вопросы из обоих чатов
вот его ютуб (https://www.youtube.com/watch?v=BcmUOmvl1N8)
его сайт (https://durgasoft.com/)
<u>internal pointer variable</u> всем нашим 🔥
@python_be1
Однажды я зашел на его YouTube-канал и увидел два параллельных стрима — по Java и Python, которые вел один и тот же преподаватель, одновременно пишущий код и отвечающий на вопросы из обоих чатов
вот его ютуб (https://www.youtube.com/watch?v=BcmUOmvl1N8)
его сайт (https://durgasoft.com/)
<u>internal pointer variable</u> всем нашим 🔥
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥 Python: функции-фабрики
Простой, но мощный трюк: генерация функций на лету через замыкания. Вместо дублирования логики можно одной фабрикой создавать десятки разных функций.
Хочешь больше таких фишек? Подписывайся на нас и каждый день получай свежие и нестандартные советы, которые реально прокачают твои навыки разработчика!
#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest, #pytest, #TDD, #алгоритмы, #структурыданных, #OOP,
@python_be1
Простой, но мощный трюк: генерация функций на лету через замыкания. Вместо дублирования логики можно одной фабрикой создавать десятки разных функций.
Хочешь больше таких фишек? Подписывайся на нас и каждый день получай свежие и нестандартные советы, которые реально прокачают твои навыки разработчика!
#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest, #pytest, #TDD, #алгоритмы, #структурыданных, #OOP,
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 Ускоряем Python-скрипты с помощью библиотеки numba
Когда ваш Python-код начинает тормозить из-за тяжёлых вычислительных циклов, спасает библиотека numba. Она компилирует функции в машинный код с помощью JIT-компиляции и позволяет ускорить выполнение в десятки раз без переписывания логики на C или C++.
Просто добавьте декоратор @njit к функции с числовыми расчётами или обработкой массивов — и получите мгновенный прирост скорости.
#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest, #pytest, #TDD, #алгоритмы, #структурыданных, #питон
@python_be1
Когда ваш Python-код начинает тормозить из-за тяжёлых вычислительных циклов, спасает библиотека numba. Она компилирует функции в машинный код с помощью JIT-компиляции и позволяет ускорить выполнение в десятки раз без переписывания логики на C или C++.
Просто добавьте декоратор @njit к функции с числовыми расчётами или обработкой массивов — и получите мгновенный прирост скорости.
#Python, #программирование, #кодинг, #разработка, #собеседование, #интервью, #PythonJobs, #DataScience, #MachineLearning, #AI, #backend, #webdev, #Django, #Flask, #FastAPI, #API, #REST, #asyncio, #многопоточность, #многозадачность, #библиотеки, #NumPy, #Pandas, #TensorFlow, #PyTorch, #SQL, #ORM, #SQLAlchemy, #тестирование, #unittest, #pytest, #TDD, #алгоритмы, #структурыданных, #питон
@python_be1
Учим ЛЮБЫЕ темы в программировании на РЕАЛЬНЫХ проектах — нашли репозиторий, который поможет освоить различные технологии с полного нуля на ПРАКТИКЕ.
• НИКАКОЙ заумной теории — все пояснения к технологиям даются без воды. Поймете и сразу начнете применять их.
• Больше 1️⃣0️⃣0️⃣ проектов: веб-разработка, фулстек, разработка игр, машинное обучение и еще куча всего.
• Стек подписан у каждого проекта — можно сразу понять, что будете применять во время работы.
• Все проекты разделены по шагам и уровням сложности — запутаться просто невозможно.
😶😶😶😶😶😶😶😶😶
Становимся суперкодером — тут. (https://github.com/Xtremilicious/projectlearn-project-based-learning)
👍
@python_be1
• НИКАКОЙ заумной теории — все пояснения к технологиям даются без воды. Поймете и сразу начнете применять их.
• Больше 1️⃣0️⃣0️⃣ проектов: веб-разработка, фулстек, разработка игр, машинное обучение и еще куча всего.
• Стек подписан у каждого проекта — можно сразу понять, что будете применять во время работы.
• Все проекты разделены по шагам и уровням сложности — запутаться просто невозможно.
😶😶😶😶😶😶😶😶😶
Становимся суперкодером — тут. (https://github.com/Xtremilicious/projectlearn-project-based-learning)
👍
@python_be1
🖥 Практический гайд по автоматизации процессов на Python
Перед вами подробный практический гайд по автоматизации процессов на Python для продвинутых разработчиков. Он фокусируется на промышленном уровне качества: архитектура, надёжность, наблюдаемость, упаковка и деплой. В каждом разделе - конкретные паттерны и готовые фрагменты кода.
✔️ Подробнее (https://uproger.com/prakticheskij-gajd-po-avtomatizaczii-proczessov-na-python/)
@python_be1
Перед вами подробный практический гайд по автоматизации процессов на Python для продвинутых разработчиков. Он фокусируется на промышленном уровне качества: архитектура, надёжность, наблюдаемость, упаковка и деплой. В каждом разделе - конкретные паттерны и готовые фрагменты кода.
✔️ Подробнее (https://uproger.com/prakticheskij-gajd-po-avtomatizaczii-proczessov-na-python/)
@python_be1
МЕГАБАЗА по всей информатике в одном месте — чел собрал 1️⃣0️⃣0️⃣0️⃣ материалов в репо, аккуратно разложив инфу по категориям со ссылочками.
Перед вами шорткат до 300к в секунду:
• Алгоритмы
• Искусственный интеллект
• Компьютерная графика
• Теория вычислительных систем
• Введение в вычислительные системы
• Машинное обучение
• Языки программирования / Компиляторы
• Безопасность
• Системы
• Статистика / Регрессия
Если вы решили, что это байт и там нет 1️⃣0️⃣0️⃣0️⃣ материалов — не думайте.
Откройте ссылку и можете не благодарить — тут. (https://github.com/prakhar1989/awesome-courses)
👍
@python_be1
Перед вами шорткат до 300к в секунду:
• Алгоритмы
• Искусственный интеллект
• Компьютерная графика
• Теория вычислительных систем
• Введение в вычислительные системы
• Машинное обучение
• Языки программирования / Компиляторы
• Безопасность
• Системы
• Статистика / Регрессия
Если вы решили, что это байт и там нет 1️⃣0️⃣0️⃣0️⃣ материалов — не думайте.
Откройте ссылку и можете не благодарить — тут. (https://github.com/prakhar1989/awesome-courses)
👍
@python_be1
This media is not supported in your browser
VIEW IN TELEGRAM
Настроение — морской бриз! 🌊
Поэтому публикуем приглашение на IT Talk by Sber в Сочи https://vk.cc/cQ7gJQ — поговорим о новых подходах в IT и дизайне, а также ответим на важные вопросы:
▪️ Как ускорить работу с кодом?
▪️ Как применять нейросети в продуктовом дизайне?
▪️ Как стать заметнее и прокачать экспертность без лишнего шума?
Локация: City Park Hotel Congress Hall, Морской переулок, 2а.
Дата и время: 9 октября в 18:30
Зарегистрироваться: https://vk.cc/cQ7gJQ ⬅️
@python_be1
Поэтому публикуем приглашение на IT Talk by Sber в Сочи https://vk.cc/cQ7gJQ — поговорим о новых подходах в IT и дизайне, а также ответим на важные вопросы:
▪️ Как ускорить работу с кодом?
▪️ Как применять нейросети в продуктовом дизайне?
▪️ Как стать заметнее и прокачать экспертность без лишнего шума?
Локация: City Park Hotel Congress Hall, Морской переулок, 2а.
Дата и время: 9 октября в 18:30
Зарегистрироваться: https://vk.cc/cQ7gJQ ⬅️
@python_be1
🖥 Что нового в Python 3.14 и почему стоит перейти
Python 3.14 вышел 7 октября 2025 года. Это новый стабильный релиз, который содержит как изменения в самом языке, так и улучшения в реализации, стандартной библиотеке, отладке и взаимодействии с многопоточностью.
Ниже - обзор ключевых нововведений, их смысла, применимости и возможных подводных камней.
🟠Основные нововведения (Release highlights)
- Отложенная (ленивая) оценка аннотаций - теперь аннотации не вычисляются сразу, что уменьшает накладные расходы.
- Поддержка нескольких интерпретаторов в рамках одного процесса через новый модуль.
- Новый синтаксис шаблонных строк (t-strings), который даёт больше контроля над статической и интерполированной частью.
- Более информативные сообщения об ошибках (например, подсказки для опечаток в ключевых словах).
- Поддержка формата сжатия Zstandard в стандартной библиотеке.
- Улучшенные возможности для отладки и профилирования, в том числе подключение к живому процессу без остановки.
- Улучшения в asyncio — команды для визуализации и диагностики задач, стеков ожидания и зависимостей.
- Уменьшение пауз сборщика мусора (gc) через инкрементальный сбор.
- Подсветка синтаксиса и автодополнение модулей в интерактивном режиме (REPL) по умолчанию.
🟠 Подробности и примеры
Ленивые аннотации - deferred evaluation of annotations
Раньше аннотации (для типов, документации, подсказок) могли вызывать вычисления прямо при определении функции или класса. Теперь они хранятся в виде «ленивых» структур и вычисляются по надобности. Это снижает накладные расходы на загрузку кода, особенно если аннотации сложные или содержат много forward-ссылок.
Есть модуль annotationlib, который позволяет исследовать аннотации программно и выбирать формат их получения — строки, объекты или отложенные ссылки.
Когда это особенно помогает:
- большие фреймворки, генерация кода, ORM, библиотеки с множеством аннотаций;
- ускорение импорта при старте приложений;
- уменьшение накладных расходов при работе с типами.
Что проверить при миграции:
- код, использующий __annotations__ напрямую, может требовать адаптации;
- убедитесь, что сторонние библиотеки, работающие с аннотациями, поддерживают новый формат.
Несколько интерпретаторов (subinterpreters)
Теперь в Python можно запускать несколько независимых интерпретаторов внутри одного процесса (модуль `concurrent.interpreters`).
Преимущества:
- изоляция между интерпретаторами (отдельная память, отдельный GIL);
- параллелизм на многоядерных системах;
- меньше накладных расходов, чем при использовании multiprocessing.
Ограничения:
- не все C-расширения поддерживают мультиинтерпретацию;
- коммуникация между интерпретаторами требует явных каналов (очереди, сообщения).
Это даёт реальную возможность распараллеливания CPU-задач без запуска отдельных процессов.
Template string literals (t-strings)
Новое синтаксическое средство — префикс t перед строкой, аналогично f'...'.
Результат — объект Template, который хранит текст и вставки по отдельности.
```python
variety = 'Stilton'
template = t'Try some {variety} cheese!'
```
https://uproger.com/chto-novogo-v-python-3-14-i-pochemu-stoit-ispolzovat/
@python_be1
Python 3.14 вышел 7 октября 2025 года. Это новый стабильный релиз, который содержит как изменения в самом языке, так и улучшения в реализации, стандартной библиотеке, отладке и взаимодействии с многопоточностью.
Ниже - обзор ключевых нововведений, их смысла, применимости и возможных подводных камней.
🟠Основные нововведения (Release highlights)
- Отложенная (ленивая) оценка аннотаций - теперь аннотации не вычисляются сразу, что уменьшает накладные расходы.
- Поддержка нескольких интерпретаторов в рамках одного процесса через новый модуль.
- Новый синтаксис шаблонных строк (t-strings), который даёт больше контроля над статической и интерполированной частью.
- Более информативные сообщения об ошибках (например, подсказки для опечаток в ключевых словах).
- Поддержка формата сжатия Zstandard в стандартной библиотеке.
- Улучшенные возможности для отладки и профилирования, в том числе подключение к живому процессу без остановки.
- Улучшения в asyncio — команды для визуализации и диагностики задач, стеков ожидания и зависимостей.
- Уменьшение пауз сборщика мусора (gc) через инкрементальный сбор.
- Подсветка синтаксиса и автодополнение модулей в интерактивном режиме (REPL) по умолчанию.
🟠 Подробности и примеры
Ленивые аннотации - deferred evaluation of annotations
Раньше аннотации (для типов, документации, подсказок) могли вызывать вычисления прямо при определении функции или класса. Теперь они хранятся в виде «ленивых» структур и вычисляются по надобности. Это снижает накладные расходы на загрузку кода, особенно если аннотации сложные или содержат много forward-ссылок.
Есть модуль annotationlib, который позволяет исследовать аннотации программно и выбирать формат их получения — строки, объекты или отложенные ссылки.
Когда это особенно помогает:
- большие фреймворки, генерация кода, ORM, библиотеки с множеством аннотаций;
- ускорение импорта при старте приложений;
- уменьшение накладных расходов при работе с типами.
Что проверить при миграции:
- код, использующий __annotations__ напрямую, может требовать адаптации;
- убедитесь, что сторонние библиотеки, работающие с аннотациями, поддерживают новый формат.
Несколько интерпретаторов (subinterpreters)
Теперь в Python можно запускать несколько независимых интерпретаторов внутри одного процесса (модуль `concurrent.interpreters`).
Преимущества:
- изоляция между интерпретаторами (отдельная память, отдельный GIL);
- параллелизм на многоядерных системах;
- меньше накладных расходов, чем при использовании multiprocessing.
Ограничения:
- не все C-расширения поддерживают мультиинтерпретацию;
- коммуникация между интерпретаторами требует явных каналов (очереди, сообщения).
Это даёт реальную возможность распараллеливания CPU-задач без запуска отдельных процессов.
Template string literals (t-strings)
Новое синтаксическое средство — префикс t перед строкой, аналогично f'...'.
Результат — объект Template, который хранит текст и вставки по отдельности.
```python
variety = 'Stilton'
template = t'Try some {variety} cheese!'
```
https://uproger.com/chto-novogo-v-python-3-14-i-pochemu-stoit-ispolzovat/
@python_be1
UPROGER | Программирование
Что нового в Python 3.14 и почему стоит использовать
Вот подробная и интересная статья про что нового в Python 3.14 — почему стоит обновляться, на что обратить внимание, и какие выгоды вы получите.
Что нового в Python 3.14 и почему стоит перейти
Python 3.14 вышел 7 октября 2025 года. Это новый стабильный…
Что нового в Python 3.14 и почему стоит перейти
Python 3.14 вышел 7 октября 2025 года. Это новый стабильный…
🖥 Свежий курс на Stepik: PostgreSQL для разработчиков: от основ к созданию API
Курс научит создавать надёжные REST API-сервисы на базе PostgreSQL, используя FastAPI на Python.
Пошаговое объяснение материала - от установки среды и основ SQL до полноценного API-приложения с безопасностью, связями и масштабируемостью.
На практике разбирается:
•работу с таблицами, типами данных, фильтрацией и агрегатами
• группировки, подзапросы и оптимизацию SQL-запросов
• взаимодействие Python с базой данных
• создание REST API с FastAPI и подключением PostgreSQL
• проектирование структуры БД и нормализацию
• реализацию CRUD-операций и валидацию данных
• postgres для профессионалов
• разбор вопросов с реальных собеседований технические вопросы, SQL-задачи, разбор хитрых приемов.
⚡️ После прохождения вы создадите готовый API-проект и уверенные навыки работы с PostgreSQL в продакшене.
Сегодня дарим промокод на скидку - 30%, действует
🚀 Начать учиться (https://stepik.org/course/255542/pay?gift=true&promo=SQLISGREAT)
@python_be1
Курс научит создавать надёжные REST API-сервисы на базе PostgreSQL, используя FastAPI на Python.
Пошаговое объяснение материала - от установки среды и основ SQL до полноценного API-приложения с безопасностью, связями и масштабируемостью.
На практике разбирается:
•работу с таблицами, типами данных, фильтрацией и агрегатами
• группировки, подзапросы и оптимизацию SQL-запросов
• взаимодействие Python с базой данных
• создание REST API с FastAPI и подключением PostgreSQL
• проектирование структуры БД и нормализацию
• реализацию CRUD-операций и валидацию данных
• postgres для профессионалов
• разбор вопросов с реальных собеседований технические вопросы, SQL-задачи, разбор хитрых приемов.
⚡️ После прохождения вы создадите готовый API-проект и уверенные навыки работы с PostgreSQL в продакшене.
Сегодня дарим промокод на скидку - 30%, действует
🚀 Начать учиться (https://stepik.org/course/255542/pay?gift=true&promo=SQLISGREAT)
@python_be1
Time опубликовал список 200 главных изобретений 2025 года
Наш личный топ-3 из списка:
🟢 NVIDIA DGX Spark — настольный суперкомпьютер с производительностью дата-центра. Внутри чип с мощностью ИИ-вычислений 1 петафлопс.
🟢 Google DeepMind Genie 3 —
модель, которая генерирует интерактивные виртуальные миры в реальном времени и они остаются стабильными на протяжении нескольких минут. Примеры
🟢 Biwin Mini SSD — накопитель размером с монету, но с объёмом до 2 ТБ. При этом накопитель от Biwin намного шустрее MicroSD — скорость записи достигает 3400 МБ/с.
Еще там есть средство от облысения, котик, который дует на ваш чай (да), принтер для тональника, роботы, DeepSeek R1 и Claude, но нет моделей OpenAI — так что сегодня где-то грустит Альтман. 😬
Посмотреть полный список и осознать, что мы живем в будущем, можно тут (https://time.com/collections/best-inventions-2025/)
@python_be1
Наш личный топ-3 из списка:
🟢 NVIDIA DGX Spark — настольный суперкомпьютер с производительностью дата-центра. Внутри чип с мощностью ИИ-вычислений 1 петафлопс.
🟢 Google DeepMind Genie 3 —
модель, которая генерирует интерактивные виртуальные миры в реальном времени и они остаются стабильными на протяжении нескольких минут. Примеры
🟢 Biwin Mini SSD — накопитель размером с монету, но с объёмом до 2 ТБ. При этом накопитель от Biwin намного шустрее MicroSD — скорость записи достигает 3400 МБ/с.
Еще там есть средство от облысения, котик, который дует на ваш чай (да), принтер для тональника, роботы, DeepSeek R1 и Claude, но нет моделей OpenAI — так что сегодня где-то грустит Альтман. 😬
Посмотреть полный список и осознать, что мы живем в будущем, можно тут (https://time.com/collections/best-inventions-2025/)
@python_be1
RND1 - новая экспериментальная модель с 30 миллиардами параметров, построенная по архитектуре Sparse Mixture-of-Experts, где активно 3 миллиарда параметров: https://www.youtube.com/watch?v=M8XdNsecroo
Она была преобразована из предварительно обученной авторегрессионной модели (Qwen3-30B-A3B) и затем дополнительно обучена на 500 миллиардах токенов, чтобы полностью поменять поведениие диффузионной модели.
Обычные модели (AR, автогрессионные) пишут текст слово за словом, а RND1 создаёт всё предложение сразу и потом пошагово уточняет его, как будто “проявляет” текст из шума.
Это - Diffusion Language Model (DLM), аналог диффузионных моделей, которые рисуют картинки, только здесь она “рисует” слова.
🔄 Как её сделали
Команда Radical Numerics придумала, как превратить готовую модель в диффузионную без обучения с нуля.
Они просто поменяли тип внимания и дообучили модель на новой задаче.
Этот метод называется AR-to-Diffusion Conversion (A2D) - то есть конверсия из автогрессионной модели в диффузионную.
Как это происходит:
1. Берут сильную GPT-подобную модель.
2. Меняют механизм внимания — теперь модель видит весь контекст сразу.
3. Продолжают обучение по диффузионной задаче.
4. Используют разные скорости обучения для разных частей сети, чтобы модель не забыла старое, но научилась новому способу мышления.
⚙️ Что под капотом
▪ Mixture-of-Experts (MoE) - у модели 30 млрд параметров, но реально работают только 3 млрд за раз. Это делает её мощной, но экономной.
▪ Непрерывное дообучение - старые знания не стираются, а “встраиваются” в новый режим.
▪ Огромные батчи - модель учится на больших партиях данных, чтобы стабилизировать обучение, ведь она не обрабатывает все токены сразу.
✔️ Чем RND1 интересна:
- Параллельная генерация - текст создаётся быстрее, без пошаговой задержки.
- Меньше затрат - активных параметров всего 3 млрд, при этом качество как у больших GPT.
- Новая архитектура - открывает дорогу гибридным моделям, сочетающим плюсы AR и DLM.
- Полностью открытый код и веса - можно исследовать, изменять, запускать самому.
- Первый серьёзный шаг к самосовершенствующемуся ИИ- модель может не только обучаться, но и помогать в проектировании следующей версии.
Это реально интересный метод, RND1 показывает, что ИИ можно не просто обучать, а перестраивать - менять его саму логику мышления без начала “с нуля”.
Похоже, это может стать фундаментом для систем Recursive Self-Improvement (RSI), когда ИИ способен создавать и улучшать самого себя.
🟠Blog: https://radicalnumerics.ai/blog/rnd1
🟠Code: https://github.com/RadicalNumerics/RND1
🟠Report: https://radicalnumerics.ai/assets/rnd1_report.pdf
🟠Веса: https://huggingface.co/radicalnumerics/RND1-Base-0910
🟠Видео: https://www.youtube.com/watch?v=M8XdNsecroo
@python_be1
Она была преобразована из предварительно обученной авторегрессионной модели (Qwen3-30B-A3B) и затем дополнительно обучена на 500 миллиардах токенов, чтобы полностью поменять поведениие диффузионной модели.
Обычные модели (AR, автогрессионные) пишут текст слово за словом, а RND1 создаёт всё предложение сразу и потом пошагово уточняет его, как будто “проявляет” текст из шума.
Это - Diffusion Language Model (DLM), аналог диффузионных моделей, которые рисуют картинки, только здесь она “рисует” слова.
🔄 Как её сделали
Команда Radical Numerics придумала, как превратить готовую модель в диффузионную без обучения с нуля.
Они просто поменяли тип внимания и дообучили модель на новой задаче.
Этот метод называется AR-to-Diffusion Conversion (A2D) - то есть конверсия из автогрессионной модели в диффузионную.
Как это происходит:
1. Берут сильную GPT-подобную модель.
2. Меняют механизм внимания — теперь модель видит весь контекст сразу.
3. Продолжают обучение по диффузионной задаче.
4. Используют разные скорости обучения для разных частей сети, чтобы модель не забыла старое, но научилась новому способу мышления.
⚙️ Что под капотом
▪ Mixture-of-Experts (MoE) - у модели 30 млрд параметров, но реально работают только 3 млрд за раз. Это делает её мощной, но экономной.
▪ Непрерывное дообучение - старые знания не стираются, а “встраиваются” в новый режим.
▪ Огромные батчи - модель учится на больших партиях данных, чтобы стабилизировать обучение, ведь она не обрабатывает все токены сразу.
✔️ Чем RND1 интересна:
- Параллельная генерация - текст создаётся быстрее, без пошаговой задержки.
- Меньше затрат - активных параметров всего 3 млрд, при этом качество как у больших GPT.
- Новая архитектура - открывает дорогу гибридным моделям, сочетающим плюсы AR и DLM.
- Полностью открытый код и веса - можно исследовать, изменять, запускать самому.
- Первый серьёзный шаг к самосовершенствующемуся ИИ- модель может не только обучаться, но и помогать в проектировании следующей версии.
Это реально интересный метод, RND1 показывает, что ИИ можно не просто обучать, а перестраивать - менять его саму логику мышления без начала “с нуля”.
Похоже, это может стать фундаментом для систем Recursive Self-Improvement (RSI), когда ИИ способен создавать и улучшать самого себя.
🟠Blog: https://radicalnumerics.ai/blog/rnd1
🟠Code: https://github.com/RadicalNumerics/RND1
🟠Report: https://radicalnumerics.ai/assets/rnd1_report.pdf
🟠Веса: https://huggingface.co/radicalnumerics/RND1-Base-0910
🟠Видео: https://www.youtube.com/watch?v=M8XdNsecroo
@python_be1
YouTube
RND1 - новейший ИИ, который пишет сам себя !
🔥 Наш Telegram канал о машинном обучении: https://t.me/ai_machinelearning_big_data
📌 Папка лучших ИИ каналов - https://t.me/addlist/8vDUwYRGujRmZjFi
RND1 - новая экспериментальная модель с 30 миллиардами параметров, построенная по архитектуре Sparse Mixture…
📌 Папка лучших ИИ каналов - https://t.me/addlist/8vDUwYRGujRmZjFi
RND1 - новая экспериментальная модель с 30 миллиардами параметров, построенная по архитектуре Sparse Mixture…
🎓 Основатель Coursera Эндрю Ын запустил новый курс по ИИ-агентам — он научит вас создавать ИИ-агентов на Python с помощью популярных фреймворков.
• Четыре главных паттерна дизайна агентов — Reflection, Tool use, Planning и Multi-agent collaboration.
• Акцент на эвале и анализе ошибок — необходимых навыках для успешной отладки агентных систем.
• Практика — создадите своего deep research-агента, который изучает интернет и выдаёт отчёты.
Сохраняйте годноту — тут. (https://deeplearning.ai/courses/agentic-ai/)
@python_be1
• Четыре главных паттерна дизайна агентов — Reflection, Tool use, Planning и Multi-agent collaboration.
• Акцент на эвале и анализе ошибок — необходимых навыках для успешной отладки агентных систем.
• Практика — создадите своего deep research-агента, который изучает интернет и выдаёт отчёты.
Сохраняйте годноту — тут. (https://deeplearning.ai/courses/agentic-ai/)
@python_be1