Overmind — опенсорсный слой, который сам оптимизирует AI-агентов. Руками ничего докручивать не нужно: он гоняет эксперименты и прокачивает сразу несколько частей агента — системные промпты, описания инструментов, выбор модели, pipeline и control flow, а ещё то, как агент ведёт себя на живых задачах.

Логика такая: хватит гадать, какой prompt или model зайдёт лучше. Тестируешь варианты системно и оставляешь те, что реально тащат метрики вверх. Сам проект подают как supervision + fine-tuning layer для agentic AI, и он доступен в виде Python-пакета.

Свежий релиз 0.1.82 вышел 1 октября 2026 года.

👉 About Python

Стоп, чего? Google, похоже, снова в игре — свежая модель обходит Astra и Fable 5.1

Gemini 4 Argon наконец-то начали раскатывать на юзеров. Модель уже мелькает в API, в Antigravity и в Agent Studio.

👉 About Python

Мем дня: Цукерберг усиленно делает лицо, будто Guinness — его любимый напиток

Кадр вырезан из вчерашнего выпуска подкаста Cheeky Pint, и прямо сейчас он разлетается по соцсетям, собирая миллионы просмотров.

Ну а что ты хотел: притащился на техно-подкаст про ИИ, приволок свою новую модель, которая уже топ-2 в мире, а в памяти у людей останется только его кислая физиономия над бокалом.

Источник: data_secrets

👉 About Python

Datadog научила питоновский профилировщик дружить с asyncio

Главная засада в профилировании asyncio: любая таска выглядит как отдельный стек, и время, утопленное в запрос к Cassandra, повисает в вакууме — какой именно путь в приложении его породил, не ясно вообще. В Datadog решили так: профилировщик смотрит, кто кого ждёт, собирает дерево зависимостей и, идя от листьев, накладывает фреймы родителей поверх фреймов детей. Флеймграфы кода, раздробленного на таски, и обычных корутин внутри одной таски теперь выходят плюс-минус одинаковые. А если таска живёт дольше своего создателя, время капает создателю, пока он крутится, а потом — тому, кто её ждёт.

Плата за это нехилая: к цене на поток добавляется O(n_tasks), а на серверах задач до фига, так что адаптивный сэмплинг местами проседал до минимума — одна выборка в секунду. Резервуарное сэмплирование команда отвергла: для дерева нужны метаданные всех задач.

Оверхед срезали в три шага: выкинули C++ исключения из пути сэмплирования (около 15%), интернировали строки с именами функций и файлов (ещё около 25%), поменяли process_vm_readv на memcpy с обработчиком сигнала, чтобы восстанавливаться после ошибок памяти (около 50% для синхронного кода). Суммарно на сервисах с выкаченными изменениями оверхед просел больше чем на 60%. В проде профилировщик выловил бесконечный цикл в библиотеке pylzstring — её потом починили в апстриме — и внутреннюю библиотеку, которая клепала здоровенные debug-строки при логгере уровня INFO. Отдельно ИИ-агент через MCP и Dynamic Instrumentation оптимизировал функции на NumPy и срезал CPU в них на 15–30%. Всё это есть в свежих версиях ddtrace. Автор замечает, что похожий подход принят в Tachyon, профилировщике CPython 3.15, но сравнений не делает — как и абсолютных цифр по оверхеду.

Источник: datadoghq.com

👉 About Python

📱 35 млрд параметров прямо на смартфоне, а оперативки модель просит около 3 ГБ

OpenBMB выкатила MiniCPM-V 4.7 — мультимодальный ИИ, который работает локально: читает вывески, копается в документах, разглядывает картинки и видео. Вариантов два: 35B-A3B — это MoE на 35 млрд параметров, но на обработке каждого токена активны лишь около 3 млрд, и 1B — мелкий вариант для тех, у кого с ресурсами напряг.

Ключевая штука — Lookahead Expert Scheduling: нужные эксперты подтягиваются из накопителя заранее, а сама загрузка идёт параллельно с вычислениями. По словам команды, на iPhone 17 Pro Max модель выжимает больше 13 токенов в секунду. 3 ГБ тут — это память в момент работы, а веса модели живут отдельно, на накопителе. Плюс открыли Self-Replay Fine-Tuning — чтобы учить новые задачи, не теряя по дороге старые скиллы. Из платформ: iOS, Android и HarmonyOS.

MiniCPM-V

👉 About Python

Google дала добро: свои вайбкод-поделки теперь можно выкатывать через Google Play

Собираешь андроидное приложение прямо в Google AI Studio — и оттуда же его публикуешь. Никаких танцев с регистрацией разработчика: хватит обычного гугл-аккаунта.

Приложуха при этом остаётся твоей личной игрушкой — в общем каталоге Google Play она не засветится, видеть её будешь только ты. Дальше Google сулит возможность кидать такие штуки друзьям и родным, а потом — вообще всем желающим.

Пока фича открыта только для совершеннолетних и не во всех странах, США в списке. Подробнее

👉 About Python

Python + Prolog: нейронка и жёсткая логика в одном процессе

Clausal Prolog скрещивает Python с Prolog — языком логического программирования. Сеть дёргает правила, а правила могут дёрнуть сеть обратно. И всё это без отдельного сервиса и без возни с сериализацией данных.

Что с этого поиметь:
• Жёсткие рамки: задаёшь условия, которым решение обязано соответствовать.
• Видно, откуда ноги растут: можно раскопать, какие правила привели к результату.
• Правишь поведение без переобучения: хватит подкрутить одно правило.

Как это выглядит на практике: модель кидает план действий, а логический слой сверяет его с ограничениями, которые ты задал. Такую штуку зовут нейросимвольным ИИ.

Ставится так: pip install clausal. Нужен Python 3.13+. Лицензия MIT.
GitHub-репозиторий Clausal Prolog

👉 About Python

👩‍💻 Всем программистам посвящается!

Вот 14 авторских обучающих IT каналов по самым востребованным областям программирования:

Выбирай своё направление:

👩‍💻 Python — t.me/python_ready
🤔 InfoSec & Хакинг — t.me/hacking_ready
🖥 SQL & Базы Данных — t.me/sql_ready
👩‍💻 IT Новости — t.me/it_ready
🤖 AI & ML — t.me/neuro_ready
👩‍💻 Frontend — t.me/frontend_ready
👩‍💻 C/C++ — https://t.me/cpp_ready
👩‍💻 C# & Unity — t.me/csharp_ready
👩‍💻 Linux — t.me/linux_ready
👩‍💻 Java — t.me/java_ready
📖 IT Книги — t.me/books_ready
📱 JavaScript — t.me/javascript_ready
🖼️ DevOps — t.me/devops_ready
🖥 Design — t.me/design_ready

📌 Гайды, шпаргалки, задачи, ресурсы и фишки для каждого языка программирования!

Один разработчик прогнал Astra и DeepSeek V4.1-1017 Flash на идентичном промпте, выкрутив рассуждения на максимум. Говорит, что реально офигел от результатов.

Astra управилась за 20 минут и сожгла $7. DeepSeek же ковырялась 1 час 40 минут, зато обошлась в $0,90. Astra хорошо докрутила детали и выдала штуку пооригинальнее того, что обычно выкатывают модели GPT. DeepSeek сильнее вложилась в окружение — вышло шикарно, а вот рыбки кои у неё получились так себе.

👉 About Python

Tencent выкатила Hy Memory — это общая память для ИИ-ассистентов и редакторов кода. Штука сводит в одно место воспоминания о переписках, работе и коде, чтобы контекст таскался между Codex, Cursor, WorkBuddy и прочими инструментами. Модель, движок и приложение открыли.

Внутри — Hy-Memory-30B-A3B: 30 млрд параметров, но активны лишь 3 млрд. Команда говорит, что система взяла первое место во всех четырёх бенчмарках, которые они прогнали, и уделала Opus 5 в тестах памяти: +10,2 пункта на MemoryArena, на 51,8% меньше объёма памяти и на 39,3% меньше токенов при вытаскивании воспоминаний.

Работает она и с чужими движками: Mem0, MemOS и EverMemOS. А в одном из продуктов Tencent точность восстановления инфы через несколько связанных фактов подскочила с 50% до 90%.

Источник

👉 About Python

Claude раскрутил криптографическую загадку, которой стукнуло 25 лет

ECDSA — это цифровая подпись, на которой держатся HTTPS, Bitcoin, SSH и куча всего ещё. Внутри — эллиптические кривые NIST: берёшь точку на кривой, k раз складываешь её с самой собой. На выходе — публичный ключ, а k — ключ секретный; без него стартовую точку уже не восстановишь.

Чтобы все считали по одной и той же математике, кривую надо было заранее зафиксировать: уравнение, коэффициенты, стартовую точку. Эти параметры в 90-х утвердил NIST, а сиды к ним дало АНБ — и не рассказало, как их выбирало. Вроде бы они должны быть случайными, но годами гуляла версия: АНБ могло подобрать такой сид, чтобы зашить в кривую бэкдор, о котором знает только оно. 25 лет никто не понимал, откуда взялся этот сид.

Claude разобрался за какие-то полчаса. Он предположил: в 1990-х сид вытащили из старого простого ГПСЧ, который пляшет от текущего времени. И правда — каждый сид оказался выводом такого генератора, запущенного в конкретную секунду с мая 1997-го по апрель 1998-го. Для модели всё было настолько просто, что она в какой-то момент решила: её тестируют и в задаче есть подвох

Источник

👉 About Python