Что происходит прямо сейчас
Буквально за последние 24 часа в мире ИИ:
👉 Цукерберг фактически похоронил метавселенную — после того, как сжёг $80 млрд на мультяшных аватарах, которые никому не были нужны
👉 Anthropic выпустила ИИ, который принимает команды с телефона и выполняет работу, пока ты спишь
👉 YouTube просит пользователей жаловаться на AI-мусор — а по факту Google просто заставляет 2 миллиарда человек бесплатно обучать свою следующую модель
👉 Уже 93% рабочих мест в США можно хотя бы частично автоматизировать с помощью ИИ — и на той же неделе компании начали выдавать самые слабые повышения зарплат со времён 2008 года
👉 xAI платит банкирам с Уолл-стрит по $100 в час, чтобы те учили Grok заменять банкиров с Уолл-стрит. И они берут эти деньги
Это не просто новостной фон — это направление, в котором движется автоматизация большинства процессов: снижение ручного труда, трансформация профессий, сокращение рабочих мест.
Буквально за последние 24 часа в мире ИИ:
👉 Цукерберг фактически похоронил метавселенную — после того, как сжёг $80 млрд на мультяшных аватарах, которые никому не были нужны
👉 Anthropic выпустила ИИ, который принимает команды с телефона и выполняет работу, пока ты спишь
👉 YouTube просит пользователей жаловаться на AI-мусор — а по факту Google просто заставляет 2 миллиарда человек бесплатно обучать свою следующую модель
👉 Уже 93% рабочих мест в США можно хотя бы частично автоматизировать с помощью ИИ — и на той же неделе компании начали выдавать самые слабые повышения зарплат со времён 2008 года
👉 xAI платит банкирам с Уолл-стрит по $100 в час, чтобы те учили Grok заменять банкиров с Уолл-стрит. И они берут эти деньги
Это не просто новостной фон — это направление, в котором движется автоматизация большинства процессов: снижение ручного труда, трансформация профессий, сокращение рабочих мест.
А чтобы не просто на словах показать, а на проекте, мы создали мультиагентного инвестиционного советника. https://vfcode.vercel.app/
❤10🔥5
Для демонстрации возможностей этого направления мы собрали проект, который объединяет практически все коды и пайплайны, пройденные на курсе VesperfinCode и в потоках Поддержки. Фокус — только на рынке РФ и акциях с реальным объёмом торгов.
Слой 1. Данные
Система интегрирует 17 источников данных, включая MOEX ISS (акции, ОФЗ, макро, опционы), ЦБ РФ, T-Invest API, Moexalgo, yfinance и ML-парсинг сентимента новостей из Telegram (с оценкой тональности — позитивная/негативная — как мы делали в первом потоке Поддержки).
База данных: ~2,65 млн строк. Пайплайн обновляется ежедневно через cron-скрипты: полная синхронизация котировок, отчётностей и макропоказателей. Все источники — из кодов курса.
К сожалению, в отличие от зарубежных рынков (например, financialdatasets.ai — удобный API / MCP-совместимый источник для фундаментального анализа компаний), по российскому рынку всё разрозненно и пришлось собирать по частям и самостоятельно.
Весь наш стек можно завернуть в MCP-серверы и подключать к любым LLM-провайдерам.
MCP (Model Context Protocol) — это стандарт подключения внешних инструментов и источников данных напрямую к языковой модели. Грубо говоря, протокол который позволяет LLM не просто отвечать на вопросы, а работать с реальными данными в реальном времени.
❤14
Слой 2. Фундаментальный анализ и ML
Вместо передачи сырых данных в языковую модель система проводит детерминированный анализ через 13 функциональных модулей:
Аналитические модули:
👉 Фундаментальные метрики качества: Altman Z-score, Piotroski F-Score
👉 Модели оценки: DCF, Graham Number
👉 Технический анализ: 40+ индикаторов pandas_ta
👉 Макроэкономические факторы и фундаментальные данные
ML-ансамбль (трёхуровневый, на 91 агрегированной фиче): LightGBM + XGBoost + Random Forest. Модели прогнозируют доходность и рассчитывают уровень уверенности (confidence interval), опираясь на макроэкономические лаги, волатильность и технические факторы. Это то, что мы прорабатывали в 4-м потоке Поддержки при формировании портфелей.
RAG-базы по отчётностям компаний
Отдельный слой — векторные базы данных по финансовым отчётностям эмитентов. RAG (Retrieval-Augmented Generation) решает конкретную проблему: языковая модель не может держать в памяти тысячи страниц годовых и квартальных отчётов, но через RAG она точечно извлекает нужный фрагмент в момент анализа.
Работает это так: отчётности компаний парсятся, разбиваются на смысловые блоки и индексируются в векторном хранилище. Когда персона-аналитик формирует своё заключение по тикеру — она не галлюцинирует цифры, а буквально «заглядывает» в нужный раздел отчёта: выручку, долговую нагрузку, прогнозы менеджмента, сноски к МСФО. Это принципиально отличает систему от обычного чата с LLM, где модель просто воспроизводит то, что видела при обучении.
В итоге фундаментальный анализ в пайплайне — не интерпретация, а работа с первоисточниками.
Стратегии: поддерживается 22 стратегии — от дивидендных акций до покупки длинных ОФЗ.
Вместо передачи сырых данных в языковую модель система проводит детерминированный анализ через 13 функциональных модулей:
Аналитические модули:
👉 Фундаментальные метрики качества: Altman Z-score, Piotroski F-Score
👉 Модели оценки: DCF, Graham Number
👉 Технический анализ: 40+ индикаторов pandas_ta
👉 Макроэкономические факторы и фундаментальные данные
ML-ансамбль (трёхуровневый, на 91 агрегированной фиче): LightGBM + XGBoost + Random Forest. Модели прогнозируют доходность и рассчитывают уровень уверенности (confidence interval), опираясь на макроэкономические лаги, волатильность и технические факторы. Это то, что мы прорабатывали в 4-м потоке Поддержки при формировании портфелей.
RAG-базы по отчётностям компаний
Отдельный слой — векторные базы данных по финансовым отчётностям эмитентов. RAG (Retrieval-Augmented Generation) решает конкретную проблему: языковая модель не может держать в памяти тысячи страниц годовых и квартальных отчётов, но через RAG она точечно извлекает нужный фрагмент в момент анализа.
Работает это так: отчётности компаний парсятся, разбиваются на смысловые блоки и индексируются в векторном хранилище. Когда персона-аналитик формирует своё заключение по тикеру — она не галлюцинирует цифры, а буквально «заглядывает» в нужный раздел отчёта: выручку, долговую нагрузку, прогнозы менеджмента, сноски к МСФО. Это принципиально отличает систему от обычного чата с LLM, где модель просто воспроизводит то, что видела при обучении.
В итоге фундаментальный анализ в пайплайне — не интерпретация, а работа с первоисточниками.
Стратегии: поддерживается 22 стратегии — от дивидендных акций до покупки длинных ОФЗ.
🔥11❤3
Слой 3. Принятие решений и симуляция
Детерминированные расчёты агрегируются языковыми моделями (OpenAI, Anthropic, MiniMax, Kimi, DeepSeek) для принятия взвешенных решений.
14 виртуальных персон-инвесторов
Система симулирует инвестиционные стили известных управляющих: Баффетт, Грэм, Бёрри, Линч, Дамодаран и другие. Каждая персона голосует со своим весом и развёрнутым обоснованием, опираясь только на релевантные её профилю показатели.
Но голосование — это не финал. Здесь включается ключевой элемент архитектуры.
Персона-судья: оркестратор и модератор
Поверх всех аналитических персон работает отдельный агент-судья. Его задача — не анализировать рынок, а управлять качеством самого процесса. Он получает заключения всех персон, вступает с ними в полемику, задаёт уточняющие вопросы и при необходимости отправляет аргументы на доработку — до тех пор, пока логика каждой позиции не становится внутренне согласованной.
Это паттерн Reflection в мультиагентных системах: модель не принимает первый же ответ как финальный, а итеративно улучшает его через критику. На практике это означает, что система не выдаёт поверхностный консенсус — она вынуждает каждую персону защитить свою позицию перед тем, как та попадёт в итоговый синтез.
Судья принимает работу только тогда, когда аргументы выдерживают проверку. Иначе — возврат на доработку.
Такой подход существенно снижает галлюцинации и размытые формулировки, которые типичны для одиночного LLM-вызова: когда модель спорит сама с собой через разные роли, слабые аргументы отсеиваются ещё до финального вывода.
Посмотреть профили персон → о них мы говорили на эфире
Диалектика (Bull/Bear дебаты)
Персоны не просто голосуют — они сталкиваются в дебатах. Аргументы «за» и «против» синтезируются независимым модератором. Это паттерн Chain-of-Thought, который существенно снижает галлюцинации сети.
Дополнительные агенты проводят оценку:
👉 Новостного фона
👉 Технических индикаторов
👉 ML-прогнозов
👉 Индексов (российских отраслевых и международных)
👉 Спотовых позиций
Синтез портфеля
Risk Manager и Portfolio Manager формируют итоговую аллокацию с учётом кросс-корреляции активов и текущей волатильности.
👉 Сборные мультиактивные портфели (акции, ОФЗ, корпоративные облигации, фонды денежного рынка, золото) под конкретный риск-профиль
👉 Аргументированные сигналы по отдельным тикерам с подробным отчётом (технический + фундаментальный + ML)
👉 Бэктесты алгоритмов с учётом режимов волатильности, проскальзывания и комиссий
Детерминированные расчёты агрегируются языковыми моделями (OpenAI, Anthropic, MiniMax, Kimi, DeepSeek) для принятия взвешенных решений.
14 виртуальных персон-инвесторов
Система симулирует инвестиционные стили известных управляющих: Баффетт, Грэм, Бёрри, Линч, Дамодаран и другие. Каждая персона голосует со своим весом и развёрнутым обоснованием, опираясь только на релевантные её профилю показатели.
Но голосование — это не финал. Здесь включается ключевой элемент архитектуры.
Персона-судья: оркестратор и модератор
Поверх всех аналитических персон работает отдельный агент-судья. Его задача — не анализировать рынок, а управлять качеством самого процесса. Он получает заключения всех персон, вступает с ними в полемику, задаёт уточняющие вопросы и при необходимости отправляет аргументы на доработку — до тех пор, пока логика каждой позиции не становится внутренне согласованной.
Это паттерн Reflection в мультиагентных системах: модель не принимает первый же ответ как финальный, а итеративно улучшает его через критику. На практике это означает, что система не выдаёт поверхностный консенсус — она вынуждает каждую персону защитить свою позицию перед тем, как та попадёт в итоговый синтез.
Судья принимает работу только тогда, когда аргументы выдерживают проверку. Иначе — возврат на доработку.
Такой подход существенно снижает галлюцинации и размытые формулировки, которые типичны для одиночного LLM-вызова: когда модель спорит сама с собой через разные роли, слабые аргументы отсеиваются ещё до финального вывода.
Посмотреть профили персон → о них мы говорили на эфире
Диалектика (Bull/Bear дебаты)
Персоны не просто голосуют — они сталкиваются в дебатах. Аргументы «за» и «против» синтезируются независимым модератором. Это паттерн Chain-of-Thought, который существенно снижает галлюцинации сети.
Дополнительные агенты проводят оценку:
👉 Новостного фона
👉 Технических индикаторов
👉 ML-прогнозов
👉 Индексов (российских отраслевых и международных)
👉 Спотовых позиций
Синтез портфеля
Risk Manager и Portfolio Manager формируют итоговую аллокацию с учётом кросс-корреляции активов и текущей волатильности.
Итоговые возможности пайплайна:
👉 Сборные мультиактивные портфели (акции, ОФЗ, корпоративные облигации, фонды денежного рынка, золото) под конкретный риск-профиль
👉 Аргументированные сигналы по отдельным тикерам с подробным отчётом (технический + фундаментальный + ML)
👉 Бэктесты алгоритмов с учётом режимов волатильности, проскальзывания и комиссий
🔥10❤4
Классическая языковая модель в формате чата не может заменить аналитика: LLM слишком неточны в вычислениях и не адаптированы к работе с временными рядами.
Однако комплексные гибридные системы, подобные нашему прототипу, уже сегодня способны заменить штат младших и средних аналитиков. Ни один человек не в состоянии ежедневно пересчитывать DCF-модели по всем компаниям индекса, одновременно отслеживая инсайдерские сделки, кривую безрисковой доходности, сотни новостей и 40+ технических индикаторов. Алгоритмы делают это за секунды.
Роль человека трансформируется: финансисты перестанут тратить время на парсинг таблиц и скрининг тикеров — эта работа полностью отойдёт ML/LLM-агентам. В задачи человека останется высокоуровневая настройка риск-параметров, коррекция архитектуры и разработка новых стратегических гипотез.
И это уже доступно. Достаточно собрать все пайплайны, источники и дополнения из материалов курса VesperfinCode и потоков Поддержки — и использовать в своей работе. Плюс MCP: его нужно будет подсобрать, чтобы работать не по API, а через подписку напрямую из LLM-среды.
Так что ответ на вопрос «заменит или поможет» — скорее всего, и то и другое. Но для конечного пользователя это в первую очередь мощный помощник, который уже сейчас делает то, на что раньше уходили дни работы команды.
Однако комплексные гибридные системы, подобные нашему прототипу, уже сегодня способны заменить штат младших и средних аналитиков. Ни один человек не в состоянии ежедневно пересчитывать DCF-модели по всем компаниям индекса, одновременно отслеживая инсайдерские сделки, кривую безрисковой доходности, сотни новостей и 40+ технических индикаторов. Алгоритмы делают это за секунды.
Роль человека трансформируется: финансисты перестанут тратить время на парсинг таблиц и скрининг тикеров — эта работа полностью отойдёт ML/LLM-агентам. В задачи человека останется высокоуровневая настройка риск-параметров, коррекция архитектуры и разработка новых стратегических гипотез.
И это уже доступно. Достаточно собрать все пайплайны, источники и дополнения из материалов курса VesperfinCode и потоков Поддержки — и использовать в своей работе. Плюс MCP: его нужно будет подсобрать, чтобы работать не по API, а через подписку напрямую из LLM-среды.
Так что ответ на вопрос «заменит или поможет» — скорее всего, и то и другое. Но для конечного пользователя это в первую очередь мощный помощник, который уже сейчас делает то, на что раньше уходили дни работы команды.
🔥13❤3
Ну и вдогонку про https://t.me/vesperfincode/712: создание и докручивание своей LLM. Все вы наверняка знаете такую компанию LuxAlgo — она часто мелькает в топе по скачиванию индикаторов для TradingView. Они недавно сделали такую услугу: «создай свой индикатор, используя нашу LLM», которая в построении на Pine Script делает лучше всех остальных моделей. И вы, описав свой индикатор и принцип работы, на выходе получаете готовый код. Конечно, это всё за деньги и за подписку, но суть в том, что создать свою модель — это трудозатратно и часто невыгодно. А используя свои базы данных (RAG), прокачать можно любую модель, предоставив ей больший контекст документации или примеров — что они и сделали. И при запросе «на какой модели ты работаешь» мы получаем, что компания просто прокачала Gemini базовую модель своими примерами, и получается хороший бизнес.
❤21👍4
This media is not supported in your browser
VIEW IN TELEGRAM
Автоматическая адаптация стратегии к рынку 📌 Поддержка #13 — 27 марта → 14 апреля 2026
Первый эфир — уже в эту пятницу 🔥
Стратегия, которая не умеет адаптироваться — это стратегия с датой истечения. Подобрали параметры на одном режиме рынка, прошла смена характера — и всё, начинается деградация. Большинство решают это руками: пересматривают, переделывают, запускают заново. Мы будем решать это системно.
Что разберём:
📐 PSI (Population Stability Index) Метрика, пришедшая из кредитного риск-менеджмента — там её используют чтобы детектировать, когда скоринговая модель начала работать на другой популяции. Мы применим её к рынку: берём распределение доходностей или любого признака стратегии за базовый период, делим на бакеты, сравниваем с текущим окном. PSI > 0.2 — распределение значимо сдвинулось, рынок стал статистически другим. Никакого запаздывания индикаторов — работаем напрямую с данными.
📐 Wasserstein distance (Earth Mover's Distance) Инструмент для сравнения распределений. Геометрически — это минимальная "стоимость" трансформации одного распределения в другое. В отличие от PSI учитывает порядок значений и форму: ловит изменение хвостов, асимметрии, волатильности — не только сдвиг среднего. Запускаем скользящим окном поверх стратегии — как только дистанция пробивает порог, фиксируем смену режима и реагируем.
📐 Автоизменение параметров Два подхода: либо под каждый режим держим готовый вариант стратегии и переключаемся между ними — либо параметры (период ATR, размер стопа, порог входа) пересчитываются непрерывно через функции от текущей волатильности и трендовости. Разберём оба — когда что имеет смысл применять.
Что разберём:
📐 PSI (Population Stability Index) Метрика, пришедшая из кредитного риск-менеджмента — там её используют чтобы детектировать, когда скоринговая модель начала работать на другой популяции. Мы применим её к рынку: берём распределение доходностей или любого признака стратегии за базовый период, делим на бакеты, сравниваем с текущим окном. PSI > 0.2 — распределение значимо сдвинулось, рынок стал статистически другим. Никакого запаздывания индикаторов — работаем напрямую с данными.
📐 Wasserstein distance (Earth Mover's Distance) Инструмент для сравнения распределений. Геометрически — это минимальная "стоимость" трансформации одного распределения в другое. В отличие от PSI учитывает порядок значений и форму: ловит изменение хвостов, асимметрии, волатильности — не только сдвиг среднего. Запускаем скользящим окном поверх стратегии — как только дистанция пробивает порог, фиксируем смену режима и реагируем.
📐 Автоизменение параметров Два подхода: либо под каждый режим держим готовый вариант стратегии и переключаемся между ними — либо параметры (период ATR, размер стопа, порог входа) пересчитываются непрерывно через функции от текущей волатильности и трендовости. Разберём оба — когда что имеет смысл применять.
🗓 27 марта → 14 апреля 2026 👇
🔥4
TradingView — это хорошо. Но вот что появилось — для тех, кто любит графики и не может от них отказаться 👀
Все привыкли к TradingView. Удобно, понятно, куча индикаторов, Pine Script, алерты. Для акций, фьючерсов, базового теханализа — по-прежнему стандарт.
Но если вы торгуете на цифровых рынках — картина немного другая. TradingView показывает данные с одной биржи. Ликвидации — на одном сайте. Стакан с глубиной — на другом. Дельта объёмов — на третьем. И так по кругу.
Мы недавно наткнулись на https://mmt.gg/ — и так как мы всё-таки про алготрейдинг, ML и данные, пройти мимо не смогли.
Все привыкли к TradingView. Удобно, понятно, куча индикаторов, Pine Script, алерты. Для акций, фьючерсов, базового теханализа — по-прежнему стандарт.
Но если вы торгуете на цифровых рынках — картина немного другая. TradingView показывает данные с одной биржи. Ликвидации — на одном сайте. Стакан с глубиной — на другом. Дельта объёмов — на третьем. И так по кругу.
Мы недавно наткнулись на https://mmt.gg/ — и так как мы всё-таки про алготрейдинг, ML и данные, пройти мимо не смогли.
❤1
📊 Что внутри:
— Footprint charts — где именно прошли крупные объёмы, не просто свечи
— Heatmap ордербука в реальном времени
— CVD — кто реально давит: покупатели или продавцы
— Market Profile / TPO — зоны ценности, POC
— Карта ликвидаций — кластеры стопов до того, как туда пришла цена
— Net Longs & Shorts — Агрегированный стакан с Binance, Bybit, OKX, Hyperliquid и 15+ бирж
— Кастомные скрипты под свои индикаторы
🤖 Но главная фишка — AI-агент прямо в терминале
Видели видео, где люди кидают скриншот графика в ChatGPT и спрашивают куда пойдёт цена? Вот тут это сделано иначе. Агент не смотрит на картинку — он работает напрямую с данными открытого окна: видит стакан, ордерфлоу, структуру графика. Строит уровни, анализирует ликвидность, отвечает по контексту того, что происходит на экране прямо сейчас.
В общем, как визуализировать доступные данные, как с ними работать, что это вообще за данные и нужны ли они вам — можно заранее посмотреть и уже решить, добавлять их в стратегии роботом или нет. А что за данные на экране — можно опросить, интерпретировать через агента. В общем, всё в одном.
В TradingView такого пока нет. Так что, если интересно быть чуть впереди и понять, как с этим можно работать — пользуемся.
— Footprint charts — где именно прошли крупные объёмы, не просто свечи
— Heatmap ордербука в реальном времени
— CVD — кто реально давит: покупатели или продавцы
— Market Profile / TPO — зоны ценности, POC
— Карта ликвидаций — кластеры стопов до того, как туда пришла цена
— Net Longs & Shorts — Агрегированный стакан с Binance, Bybit, OKX, Hyperliquid и 15+ бирж
— Кастомные скрипты под свои индикаторы
🤖 Но главная фишка — AI-агент прямо в терминале
Видели видео, где люди кидают скриншот графика в ChatGPT и спрашивают куда пойдёт цена? Вот тут это сделано иначе. Агент не смотрит на картинку — он работает напрямую с данными открытого окна: видит стакан, ордерфлоу, структуру графика. Строит уровни, анализирует ликвидность, отвечает по контексту того, что происходит на экране прямо сейчас.
В общем, как визуализировать доступные данные, как с ними работать, что это вообще за данные и нужны ли они вам — можно заранее посмотреть и уже решить, добавлять их в стратегии роботом или нет. А что за данные на экране — можно опросить, интерпретировать через агента. В общем, всё в одном.
В TradingView такого пока нет. Так что, если интересно быть чуть впереди и понять, как с этим можно работать — пользуемся.
🔥35👍7
Сегодня поговорим о LLM, которые можно использовать при разработке торговых роботов.
На втором модуле курса Vesperfin Code мы добавили отдельный блок по вайбкодингу — на следующем потоке углубление в это направление будет ещё больше. Задача блока простая: ускорить перенос стратегий в код.
В первую очередь это полезно в трёх случаях:
👉 когда нужно превратить идею или алгоритм в структуру торгового робота;
👉 когда нужно перенести стратегию из pandas_ta в Backtrader;
👉 когда нужно разобраться в сложном проекте и понять, как его запустить.
LLM здесь нужны не для того, чтобы «торговать за вас», а для ускорения разработки. Они помогают быстрее собрать каркас стратегии, переписать логику под нужный блок, найти ошибки, упростить рефакторинг и сэкономить время на рутинных задачах.
❤11
Что такое вайбкодинг Вайбкодинг — это подход к разработке, при котором вы описываете задачу на естественном языке, а AI-агент генерирует, правит и запускает код за вас. Вы задаёте направление и контролируете результат, не погружаясь в каждую строчку вручную. В алготрейдинге это особенно удобно: можно быстро проверить гипотезу, не тратя часы на написание шаблонного кода.
Мы разберём именно те модели, которые можно использовать бесплатно и без иностранных карт — с учётом актуальных ограничений. И важный момент: речь идёт не об обычных чат-ботах, куда вы кидаете куски кода, а об интеграции с IDE — то есть инструментах, которые понимают контекст всего проекта.
Мы разберём именно те модели, которые можно использовать бесплатно и без иностранных карт — с учётом актуальных ограничений. И важный момент: речь идёт не об обычных чат-ботах, куда вы кидаете куски кода, а об интеграции с IDE — то есть инструментах, которые понимают контекст всего проекта.
Тему будем раскрывать в нескольких публикациях - не пропустите следующие материалы в нашей группе. Так же разберем в целом запуск моделей локально на своих компьютерах.
❤13
Первым разберём Qwen от Alibaba
У Qwen есть отдельный инструмент Qwen Code — open-source AI-агент для терминала, оптимизированный под Qwen-модели. Он работает из CLI и интегрируется с VS Code, Zed и JetBrains IDE.
🔗 https://qwen.ai/qwencode
У Qwen есть отдельный инструмент Qwen Code — open-source AI-агент для терминала, оптимизированный под Qwen-модели. Он работает из CLI и интегрируется с VS Code, Zed и JetBrains IDE.
🔗 https://qwen.ai/qwencode
Как установить Qwen Code?
macOS / Linux — быстрый способ через Терминал / Terminal:
curl -fsSL https://qwen-code-assets.oss-cn-hangzhou.aliyuncs.com/installation/install-qwen.sh | bash
Windows — через CMD от имени администратора (пишем в пуске CMD):
curl -fsSL -o %TEMP%\install-qwen.bat https://qwen-code-assets.oss-cn-hangzhou.aliyuncs.com/installation/install-qwen.bat && %TEMP%\install-qwen.bat
После установки рекомендуется перезапустить терминал, чтобы подтянулись переменные окружения.
Как начать работать бесплатно
После установки зайдите в папку проекта в терминале напишите qwen и нажмите enter :
qwen
Внутри CLI вызовите команду:
/auth
Можно заранее авторизоваться на сайте через https://chat.qwen.ai — через Google, GitHub или обычный email. Затем выберите Qwen OAuth. После входа учётные данные кэшируются локально, и можно сразу работать с проектом.
Возможности и лимиты
Последняя модель Qwen 3.6 Plus (
qwen3.6-plus) особенно сильна в терминальной разработке, агентных сценариях и практических coding-задачах. По ряду внешних coding-бенчмарков она пока уступает Claude Opus 4.5, но в реальных задачах показывает себя очень достойно и вполне сопоставима с GPT.Бесплатные лимиты (через Qwen OAuth): 👉 60 запросов в минуту 👉 1 000 запросов в день 👉 Контекстное окно: 1 000 000 токенов
Для большинства проектов с кодом этого более чем достаточно — и всё это бесплатно, без иностранных карт и лишних сложностей.
Также модель можно использовать совместно с MCP и специальными skill — для тех, кто слышит эти термины впервые, разберём подробнее в следующих публикациях.
Как работать с проектом
После авторизации вы просто описываете, что хотите сделать: указываете ссылки на нужные файлы или вставляете код стратегии, которую хотите перенести в торгового робота. Агент сам разберётся в контексте проекта и предложит решение.
⚠️ Важно: всегда проверяйте результат. LLM — мощный инструмент, но не гарантия правильного кода. Главное правило вайбкодинга: доверяй, но проверяй.
❤13😍1
Офлайн-ИИ в кармане
Вы в дороге. Или сидите в самолёте. Или интернет просто пропал — что в наше время случается чаще, чем хотелось бы. Или вы на даче, в метро, в роуминге.
Google выпустила официальное приложение Google AI Edge Gallery с поддержкой свежей модели Gemma 4, которая запускается прямо на телефоне, полностью офлайн.
Ставим тут:
📱 Android: https://play.google.com/store/apps/details?id=com.google.ai.edge.gallery
📱 iOS: https://apps.apple.com/ru/app/google-ai-edge-gallery/id6749645337
Вы в дороге. Или сидите в самолёте. Или интернет просто пропал — что в наше время случается чаще, чем хотелось бы. Или вы на даче, в метро, в роуминге.
Google выпустила официальное приложение Google AI Edge Gallery с поддержкой свежей модели Gemma 4, которая запускается прямо на телефоне, полностью офлайн.
Да, это не про интеграцию с IDE — для серьёзной разработки мы разбираем другие инструменты. Но когда сети нет, а думать надо — это отличное решение.
Ставим тут:
📱 Android: https://play.google.com/store/apps/details?id=com.google.ai.edge.gallery
📱 iOS: https://apps.apple.com/ru/app/google-ai-edge-gallery/id6749645337
❤8
В приложении доступны две мобильные версии — Gemma 4 E2B и Gemma 4 E4B. Буква «E» означает effective parameters — реальный объём активных параметров во время работы.
Что умеет модель на телефоне
Gemma 4 поддерживает встроенный режим рассуждений (thinking mode), работу с длинным контекстом, понимание изображений — включая распознавание текста, анализ графиков, разбор документов и скриншотов. Также есть нативный function calling для агентных сценариев.
После первоначальной загрузки телефон можно перевести в режим авиаперелёта — модель продолжит работать. Запросы и ответы никуда не отправляются, всё остаётся на устройстве.
Требования к устройству
Android 10+ или iOS
Для E2B: от 3 ГБ свободной RAM
Для E4B: от 4–6 ГБ RAM
Гибкая настройка под себя
Внутри приложения модель можно настроить под свои задачи: выставить температуру генерации (чем ниже — тем меньше «галлюцинаций» и точнее ответы), задать длину ответа и подключить нужные скиллы. Например, скилл по pandas_ta, Backtrader или написанию и тестированию стратегий. И всё это — полностью офлайн.
⚠️ Главное правило то же самое: модель на телефоне — помощник, а не замена мышлению. Любой результат проверяйте перед использованием в реальном коде.
Что умеет модель на телефоне
Gemma 4 поддерживает встроенный режим рассуждений (thinking mode), работу с длинным контекстом, понимание изображений — включая распознавание текста, анализ графиков, разбор документов и скриншотов. Также есть нативный function calling для агентных сценариев.
После первоначальной загрузки телефон можно перевести в режим авиаперелёта — модель продолжит работать. Запросы и ответы никуда не отправляются, всё остаётся на устройстве.
Требования к устройству
Android 10+ или iOS
Для E2B: от 3 ГБ свободной RAM
Для E4B: от 4–6 ГБ RAM
Гибкая настройка под себя
Внутри приложения модель можно настроить под свои задачи: выставить температуру генерации (чем ниже — тем меньше «галлюцинаций» и точнее ответы), задать длину ответа и подключить нужные скиллы. Например, скилл по pandas_ta, Backtrader или написанию и тестированию стратегий. И всё это — полностью офлайн.
⚠️ Главное правило то же самое: модель на телефоне — помощник, а не замена мышлению. Любой результат проверяйте перед использованием в реальном коде.
❤13