Последние посты
Python RU
22 сент., 09:17
переслано из @ai_machinelearning_big_data
🌟 Prism ML собрала тернарную версию Qwen3.8-27BBonsai 2 27B - сжатая Qwen3.8-27B, которая занимает 5,9 ГБ против примерно 54 ГБ у исходной модели в FP16 и сохраняет 98,2% её среднего результата на бенчмарках.Prism ML - американский стартап из команды Калтеха, вышедший из стелс-ркжима весной 2026 года с анонсом первой версии моделей Bonsai.Основатель и руководитель - профессор Калтеха Бабак Хассиби, специалист по теории сжатия. Среди инвесторов стартапа Cerberus, Google и Samsung.Модель рассчитана на локальный запуск на потребительском оборудовании, имеет контекст в 262 тысячи токенов и может обрабатывать изображения и вызывать инструменты.Целевые сценарии - агенты в редакторе кода, работа с компьютером, разбор документов без отправки их в облако.Вес в тернарном квантовании хранится не числом, а одним из трёх знаков: минус, ноль или плюс.Python RU
21 сент., 09:24
Kubernetes NodeLocal DNSCache: ускоряем DNS-запросы 🚀Без NodeLocal DNSCache DNS-запрос от Pod проходит через:Service IP → kube-proxy → DNAT → conntrack → CoreDNSВ нагруженных кластерах это увеличивает задержки и создаёт дополнительную нагрузку на таблицу conntrack.NodeLocal DNSCache запускает локальный DNS-кеш на каждой ноде как DaemonSet:Pod → локальный DNS-кеш → CoreDNSЕсли запись уже есть в кеше, Pod получает ответ прямо с текущей ноды. При промахе запрос передаётся в CoreDNS.Преимущества- быстрее обрабатываются повторные DNS-запросы; - снижается нагрузка на CoreDNS; - уменьшается межнодовый DNS-трафик; - обходятся kube-proxy и DNAT;
Python RU
13 сент., 12:22
🔥 Один из лучших обучающих курсов на StepiK по SQLSQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/
Python RU
11 сент., 09:50
переслано из @ai_machinelearning_big_data
⚡️ DeepSeek открыла веса V4.1-FlashDeepSeek выложила свежайшую DeepSeek-V4.1-Flash, мультимодальную MoE-модель на 552 млрд параметров, с контекстом до миллиона токенов и методом Causal Encoder-Decoder под капотом, который вдвое удешевляет разбор входа.Задача, под которую её делали, скучная, но дорогая. Долго работающий агент постоянно перечитывает свой контекст, и всё прочитанное приходится держать в KV-кэше.На длинных дистанциях он раздувается, забивает видеопамять и упирается в пропускную способность шин.В V4.1-Flash кэш сжат до 890 байт на токен, это вчетверо меньше, чем у V4-Flash, и в 437 раз, чем у первой версии DeepSeek.Каждому слою внимания заранее назначен один из трёх режимов:🟢в полном слой считает свои ключи и значения сам; 🟢в режиме переиндексации берёт их у
Python RU
11 сент., 07:48
Команды ждут тебя на треке программирование роботов на МТС True Tech Champ 2026 — всероссийском чемпионате по программированию с двумя треками и призовым фондом 10 250 000 рублей.Успей зарегистрироваться до 13 сентября.В треке программирования роботов тебе предстоит запрограммировать робособаку для доставки груза через полосу препятствий сначала в онлайн-симуляторе, а затем на офлайн-полигоне в финале 22 октября. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.Участие в командах 2-5 человек. Если у тебя нет своей команды, кураторы помогут объединиться с другими участниками на платформе.Масштабный финал объединит борьбу за призовой фонд 10 250 000 рублей, выступления хедлайнеров, доклады спикеров и активности для всех гостей мероприятия.Успей зарегистрироваться и пройти квалификацию до 13 сентября.erid:2VSb5xVWJTL
Python RU
10 сент., 09:40
переслано из @ai_machinelearning_big_data
⚡️ DeepSeek выпустила V4.1 FlashНоую модель уже раскатывают в веб-чате и мобильных приложениях. Прежние режимы - быстрый, экспертный и распознавание изображений свели в один: выбирать вручную больше ничего не нужно.Теперь одна модель ведёт и обычный диалог, и разбор картинок, и сложные вопросы. Сложность запроса она определяет сама, а зрение включает, когда на вход приходит изображение.По словам DeepSeek, V4.1 Flash обходит V4 Pro по качеству, стоимости и скорости. До выхода V4.1 Pro она возьмёт на себя все запросы, которые раньше уходили на V4 Pro.@ai_machinelearning_big_data#news #ai #ml
Python RU
7 сент., 09:46изменён
🧠 Как обучить нейросеть на Python с нуляПошаговый разбор полного процесса:подготовка и разделение данных создание архитектуры модели выбор функции потерь и оптимизатора запуск обучения проверка качества на новых данных сохранение готовой моделиМатериал подойдёт новичкам, которые хотят перейти от теории к первой работающей нейросети и понять, что происходит внутри обучения.https://uproger.com/obuchit-nejroset-na-python/
Python RU
5 сент., 12:37
Python RU
4 сент., 15:13
False Sharing: два ядра, никаких lock, а всё тормозит. Почему?Два потока пишут в разные переменные a и b, блокировок нет, а код всё равно упирается в потолок. Виноват false sharing: a и b лежат в одной cache line на 64 байта, и каждая запись одного ядра сбрасывает копию линии у второго. CPU гоняет кэш туда-сюда вместо полезной работы. Лечится разнесением горячиhttps://youtube.com/shorts/piUddxoKcoY?feature=sharePython RU
2 сент., 14:35
⚡️ Google открыла TimesFM 3 для прогнозирования временных рядов.Модель уже доступна на GitHub и Hugging Face и рассчитана на задачи forecasting без необходимости обучать отдельную модель с нуля под каждый датасет.Подходит для:- прогнозирования продаж - нагрузки и трафика - финансовых и бизнес-метрик - спроса - сенсорных и временных данныхTimesFM 3 можно запускать локально и использовать как готовую базовую модель для time-series задач.GitHub: https://github.com/google-research/timesfmHugging Face: https://huggingface.co/google/timesfm-3.0-pytorch
Python RU
31 авг., 13:26
🔥 Вышли официальные GGUF-квантизации GLM-5.3 Flash UncensoredМодель: 320B параметров, 18B активных.Доступные варианты:- Q6_K — 263 ГБ / 94,3% Top-1 - Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый - Q3_K_M — 153 ГБ / 85,6% Top-1 - Q2_K — 117 ГБ / 75,5% Top-1Подходит для запуска на CPU + GPU, включая Apple Silicon.Это не jailbreak: удаление отказов зашито прямо в веса модели.API со стандартными весами: https://orcarouter.ai/models/z-ai/glm-5.3-flashUncensored GGUF: https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF
Python RU
26 авг., 11:03
Python RU
24 авг., 15:32
NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентовПо новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках.Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат.В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы.На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки
Python RU
22 авг., 20:03
Проект Python опубликовал документацию на русском языкеОбъявлено о переводе на русский язык официальной документации по языку программирования Python. На русском языке доступны руководство по Python, а также первые три главы справочника по языку Python.Подробнее: https://opennet.ru/66116/ https://opennet.me/66116/Python RU
22 авг., 14:03
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночкуОкружение 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: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_1001_notes Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front
1,200Открыть в TelegramPython RU
20 авг., 21:07
переслано из @ai_machinelearning_big_data
⚡️ Anthropic запустила бесплатную Claude AcademyТеперь у Claude появилась полноценная обучающая платформа с бесплатными курсами и гайдами для всех желающих.Внутри есть разные уровни: от базового понимания, как работает AI, до более продвинутого использования Claude в повседневной работе.Некоторые курсы дают сертификаты, так что скоро их наверняка станет заметно больше и в LinkedIn.Все материалы бесплатные и открыты без ограничений.https://academy.claude.com@ai_machinelearning_big_data#Anthropic #claudePython RU
15 авг., 12:58
⚡️ Harness Engineering - полный курс на русскомКак заставить AI-агента писать код надёжно. Не «какую модель выбрать», а как спроектировать вокруг неё рабочую систему: инструкции, инструменты, среду, состояние и верификацию.Курс - от нуля до продвинутых тем: теоретическая база из 11 блоков, 14 модулей, 8 практических проектов, 14 лабораторных работ, диагностический протокол «как починить агента», библиотека готовых шаблонов, карта инструментов, 40 приёмов и каталог антипаттернов.Главный тезис курса: способность модели и надёжность исполнения - это две разные вещи. Одна и та же модель в «голой» среде и в среде с продуманным harness даёт качественно разные результаты. Апгрейд модели - это самый дорогой и обычно не самый эффективный способ починить агента.https://github.com/justxor/Harness_ru
Python RU
12 авг., 19:50
🔥 9B-модель на 7 ГБ, которая по тестам автора лезет на территорию 27BНа Hugging Face вышла Qwen3.5-9B The Defiant Fable от DavidAU. Это многоэтапный fine-tune Qwen3.5-9B с упором на reasoning, instruction following, код и creative-задачи. Модель распространяется под Apache 2.0, а автор также позиционирует её как uncensored/heretic-версию с минимальными отказами.Самое интересное в результатах. По собственному набору из семи бенчмарков автор заявляет, что 9B-версия обходит базовые Qwen3.5-9B, Qwen3.5-27B и Qwen3.6-35B-A3B, а местами приближается к Qwen3.6-27B. Причём сильные результаты сохраняются даже после 4-bit квантования. Это пока именно авторские тесты, а не независимый leaderboard.Для локального запуска уже готовы обычные и MTP GGUF с NEO IMATRIX. Q4_K_M занимает примерно 6,8-7 ГБ, IQ3_M около 5,6 ГБ, а экстремальный IQ2_M всего 4,94 ГБ.Контекст у базовой архитектуры доPython RU
12 авг., 16:50
🔥 Stepik Курс: «Python современный AI для разработчика и автоматизации задач» ровно про второе.63 урока, 382 шага, ноль вдохновляющих рассуждений. В каждом уроке разбор темы с рабочим кодом, короткие вопросы и задача с автопроверкой, которая решается на чистом Python без ключей и без интернета.Внутри то, о чём молчат туториалы: структурированный вывод по схеме, RAG, который не выдумывает, агенты с tool calling, evals и ловля регрессий, кэш, лимиты и очереди, инъекции промптов, локальный запуск через Ollama и vLLM, text-to-SQL с правами только на чтение, pgvector с HNSW, MCP и песочница для кода агента.Плюс то, что окупается в первый же день: разбор входящей почты, отчёты без выдуманных чисел, вебхуки, боты, сценарии в браузере. Для тех, кто уже пишет на Python и устал от демок.72 часа скидка 55% процентов, начать учиться - https://stepik.org/a/295921
Python RU
1 авг., 11:00
🐍 Распаковка списков и кортежей в PythonЗначения последовательности можно сразу распределить по переменным:a, b, c = (1, 2, 3) a, b, c = [1, 2, 3]В обоих случаях результат одинаковый:python a == 1 b == 2 c == 3Количество переменных должно совпадать с количеством элементов, иначе Python вызовет ValueError.Чтобы собрать оставшиеся значения, используйте :first, middle, last = [1, 2, 3, 4, 5]
