Срочно нужно забустить канал, чтобы спасти реакцию 🤣

Без этой реакции не то!

Спасайте Эль Риситаса!

На первый взгляд, все элементарно. Но есть нюанс 😁

📊 Разбираем Stack Overflow Survey 2025

Вышли результаты их ежегодного опроса. Давайте про самое интересное.

🐍 Часть 1. Что с Python?

Использование Python взлетело на 7 процентных пунктов за год, достигнув 57.9%.
Сила языка — в его экосистеме, которая сейчас тащит всю индустрию.
▫️ Веб: FastAPI показал один из самых больших скачков среди фреймворков (+5 п.п., теперь 14.8% его используют). Вместе с Flask (14.4%) и Django (12.6%) питонячий веб-стек чувствует себя прекрасно.
▫️ Инструменты: Pydantic впервые вошел в опрос и сразу взял 10.1%! А новый пакетный менеджер uv, написанный на Rust, стал самой «обожаемой» (most admired) технологией с рейтингом 74.2%.
▫️ Data Science: Polars — библиотека для работы с данными, написанная на Rust (конкурент Pandas). Используют ее пока немногие (3.8%), но уровень «обожания» — заоблачные 67.9%.

Видим, что многое внутри ядра Python-экосистемы переписывается на Rust для получения максимальной производительности.

🤖Часть 2. Парадокс ИИ.

А вот тут начинается цирк. 84% разрабов используют или планируют использовать ИИ-инструменты.

Но за этим фасадом массового внедрения скрывается тотальный кризис доверия. Позитивное отношение к ИИ за год упало с 70% до 60%.
46% разработчиков АКТИВНО НЕ ДОВЕРЯЮТ точности нейросеток. Доверяют — лишь 33%.

Главная, что раздражает (66% респондентов) — это решения от ИИ, которые «почти правильные, но не совсем».
Это «почти» ведет ко второй проблеме, которую назвали 45% — «отладка кода, сгенерированного ИИ, отнимает больше времени», чем его написание с нуля.

Знакомо, не правда ли? В итоге, разрабы готовы доверять ИИ рутину вроде поиска, но наотрез отказываются подпускать его к ответственному коду. Например, 76% даже не планируют использовать ИИ для деплоя и мониторинга.

🧑‍💻 Часть 3. Куда смотрят питонисты?

Один из самых интересных инсайтов — что хотят учить дальше те, кто уже освоил Python. И это... Rust и Go.

Это суперлогичный шаг. Освоив Python как язык для быстрой разработки и работы с данными, инженеры хотят добавить в арсенал инструменты для максимальной производительности.

🤑 Часть 4. А что по деньгам?

Специализация на AI себя окупает. Медианная годовая зарплата для AI/ML-инженера в мире — $89,427. Это больше, чем у классических бэкендеров ($79,742) и дата-сайентистов ($82,910).

Насколько сильно ИИ бьёт по программистам? 🤖

Тут Microsoft Research выкатили анализ на 200к реальных диалогов пользователей с Copilot, чтобы понять, как Generative AI на самом деле влияет на разные профессии.

Главный вывод: если смотреть на группы профессий, то «Computer and Mathematical» находится на 2-м месте по «применимости ИИ» (AI applicability score). 🥈 Выше только продажники.

Если посмотреть на конкретные профессии из топ-40 самых «затронутых», то картина такая:
▫️ CNC Tool Programmers — 8 место.
▫️ Математики — 20 место.
▫️ Data Scientists — 32 место.
▫️ Web Developers — 35 место.

Что это значит? Этот рейтинг учитывает не просто «можно ли использовать ИИ», а три вещи, основанные на реальных данных:
1. Как часто для задач этой профессии юзают Copilot.
2. Насколько успешно ИИ справляется с этими задачами.
3. Насколько глубоко ИИ покрывает рабочие активности (scope of impact).


При этом исследователи прямо отмечают, что их данные по Copilot отличаются от аналогичных по Claude.

В отличие от Claude, использование Copilot значительно меньше сфокусировано на программировании и математических задачах.

В том же Claude, судя по всему, доля чисто программистских задач ещё выше.

Ещё один важный момент из статьи: авторы разделяют, когда ИИ помогает человеку выполнить задачу (user goal), а когда ИI сам выполняет действие (AI action).

Для программистов и дата-сайентистов высок именно user goal — мы используем нейронки как мощный инструмент-помощник, а не как полную замену. Это скорее про расширение возможностей (augmentation), чем про прямую автоматизацию и потерю работы. Хотя, конечно, грань тонкая.

Ссылка на оригинал, там много графиков и таблиц: https://arxiv.org/abs/2507.07935

Всё так, всё так 😁

Один IT-гигант (тот самый, экстремистский) официально разрешил кандидатам юзать ИИ на технических собеседованиях.

Зачем они это делают? Официально, по двум причинам:
1️⃣ Это намного ближе к реальной работе, где все уже и так сидят на копайлотах.
2️⃣ Это делает бессмысленным и неэффективным классическое списывание.

Так что эра того самого «вайбкодинга» теперь официальная HR-политика одной из крупнейших компаний мира. Похоже, это последний гвоздь в крышку гроба классических алгоритмических интервью в духе «переверни мне бинарное дерево на бумажке».

Теперь главные вопросы на собеседовании будут не в том, «знаешь ли ты, как работает алгоритм Дейкстры?», а в том, «сможешь ли ты заставить нейронку сгенерить правильный код, найти в нём косяки, отладить и задеплоить, не уронив прод?»

Чувствуете разницу? Акцент смещается с написания кода на архитектурное мышление, ревью и умение управлять инструментами.

Богомерзкие алгособесы наконец-то вымрут? 👏

Источник: Wired

👨‍💻 Mistral представили полный self-hosted стек для разработки

Mistral AI выкатили интегрированную платформу: обновленный Codestral 25.08, семантический поиск Codestral Embed и агентные воркфлоу Devstral.

Ключевые моменты:

👉 Агентные воркфлоу. Это шаг от простого автодополнения к делегированию задач. Агент Devstral может проводить кросс-файловый рефакторинг, генерировать тесты и готовить PR, работая на базе фреймворка OpenHands.

👉 On-premise и кастомизация. Весь стек можно развернуть на своем железе (открытая модель Devstral Small требует одной RTX 4090). Это означает полный контроль над данными и возможность дообучить модель на своей кодовой базе.

👉 Семантический поиск по коду. Модель эмбеддингов, заточенная под код, позволяет искать решения и паттерны внутри проекта на естественном языке. Решает проблему «контекстной слепоты» многих AI-ассистентов.

По сути, это смещение фокуса с универсальных SaaS-инструментов на гибкие платформы, которые можно контролировать и адаптировать. Интересный вектор развития, особенно для тех, кто работает со сложными или проприетарными системами.

P.S. Для тех, кто хочет вникнуть глубже, подготовил более детальный разбор ◀️

Полезные ссылки:
▪️ Официальный анонс от Mistral
▪️ Плагин для VS Code
▪️ Плагин для JetBrains

🤖 Автономный ИИ-инженер, который побеждает на Kaggle.

Работа ML-инженера на 80% — это не создание моделей, а перемалывание сырых данных, бесконечные эксперименты и деплой с молитвой.

И вот тут анонсировали NEO — полностью автономный ML-агент, который, как заявляют, проходит весь цикл от грязного датасета до готовой модели в проде.

Агента выставили на 75 реальных соревнований на Kaggle.
🏆Результат: 34.2% из них — с медалями.

Это, если что, уровень очень крепкого спеца, который годами набивал руку.

В анонсе есть ещё видяшки с примерами работы.

MLщикам радоваться или плакать? 🤭

ChatGPT дали $100 на торговлю акциями. Что он с ними сделал?🤑

Один энтузиаст с GitHub запустил живой эксперимент: дал GPT-4o сотку баксов и полгода, чтобы тот торговал рисковыми акциями мелких компаний.

Никакой помощи, только еженедельный анализ рынка от самого ИИ и простые скрипты на Python для исполнения сделок.

И вот результат за первый месяц (конец июня - конец июля 2025):
📈 Портфель ChatGPT: +25.3%
😒 Рынок (S&P 500): +2.1%

Получается, нейросеть обогнала рынок в 12 раз.

Конечно, это только начало, и всё может поменяться. Но следить интересно 🍿

Разобрал начинку на Python, промпты и то, как моделька работала в первые недели, читайте здесь 🔙

Ну-ка, трейдеры, разнесите идею и подход 👇

✍️ Решения вчерашней задачи

Суть задачи, напомню, была в том, чтобы максимизировать "добычу" из списка домов, не трогая соседние. Это классическая задача на динамическое программирование.

🏆 Эталонное решение: динамика в уме (O(1) по памяти)

Был представлен практически идеальный вариант, который решает задачу быстро и экономно по памяти:

from typing import List

def rob(nums) -> int:
    prev, curr = 0, 0
    for x in nums:
        new_curr = max(curr, prev + x)
        prev, curr = curr, new_curr
    return curr

Как это работает? 🧠

Вся суть в двух переменных: curr и prev. На каждом шаге мы решаем дилемму для текущего дома с деньгами x:

- curr: хранит максимальную сумму, которую можно было украсть до предыдущего дома.
- prev: хранит максимальную сумму, которую можно было украсть до позапрошлого дома.

Для каждого дома x мы выбираем лучший из двух вариантов:
1. Не грабим текущий дом: Тогда наша максимальная добыча на данный момент равна curr.
2. Грабим текущий дом: Тогда мы не можем грабить предыдущий, а значит, к добыче x мы можем прибавить только максимум, накопленный до позапрошлого дома — prev.

Выбирая максимум из этих двух сценариев max(curr, prev + x), мы получаем оптимальное решение для текущего шага. А конструкция prev, curr = curr, new_curr просто сдвигает наши "окна" на один дом вперед для следующей итерации.

- ⏳ Временная сложность: O(N), где N — количество домов. Мы проходим по списку всего один раз.
- 💾 Пространственная сложность: O(1). Мы используем всего пару переменных, независимо от размера списка.

💡 Другой популярный подход: классическое DP (O(N) по памяти)

Есть более "классическое" решение с помощью дополнительного массива:

def perfect_thief(nums) -> int:
    if not nums:
        return 0
    if len(nums) <= 2:
        return max(nums)
        
    dp = [0] * len(nums)
    dp[0] = nums[0]
    dp[1] = max(nums[0], nums[1])
    
    for i in range(2, len(nums)):
        dp[i] = max(dp[i - 1], dp[i - 2] + nums[i])
        
    return dp[-1]

Этот способ работает по тому же принципу, но хранит все промежуточные результаты в массиве dp. Он может быть чуть понятнее для новичков, но требует O(N) дополнительной памяти.

Вышла нейросеть, которая НАКОНЕЦ-ТО умеет в текст.

Alibaba не останавливает поток крутых релизов и выкатили Qwen-Image — 20B модель, которая не просто пытается, а умеет рендерить текст.

Модель доступна через diffusers! Просто pip install, импортируешь пайплайн и генеришь картинки с текстом прямо в своем скрипте.

Автоматизация OG-картинок для блога, превью для видео, боты для мемов — всё это стало в разы проще.

Как и другие модельки Qwen, она открыта, есть на GitHub.

Я выложил небольшой технический гайд по запуску — читайте в блоге ◀️