Big Data AI

⚡️ Harness Engineering - полный курс на русском Как 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

🧮 AI может изменить саму природу математических исследований. Bloomberg пишет о проблеме, которая уже начинает обсуждаться в академической среде: что будет, если AI начнёт создавать доказательства быстрее, чем люди смогут понять их последствия? Математика может столкнуться не с нехваткой новых результатов, а с их избытком. Сегодня академический успех строится вокруг количества публикаций, цитат и новых теорем. Но если машины смогут генерировать тысячи доказательств, ценность может сместиться в другое место. Главным навыком станет не только найти решение, а понять, какие задачи вообще имеют значение. Будущая роль математиков может быть больше связана с выбором направлений, проверкой важности результатов, объяснением сложных идей и обучением других. Возможно, самым редким ресурсом станет не способность доказать теорему, а способность понять, почему она важна. https://www.bloomberg.com/opinion/articles/2026-08-13/math-faces-an-ai-spiritual-crisis-it-has-a-lesson-for-the-rest-of-us

🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы. Stepik: «Python современный AI для разработчика и автоматизации задач» 63 урока, 382 шага, практика с кодом и автопроверкой. Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода. Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии. Для тех, кто уже знает Python и хочет перейти к production AI. ⏳ 72 часа скидка 55% https://stepik.org/a/295921

🔥 Liquid AI выпустила LFM2.5-VL-3B - маленькую vision-модель, заточенную под локальных агентов Всего 3B параметров, но модель умеет разбирать экраны и изображения, делать OCR с разметкой страницы, находить объекты по текстовому запросу и использовать tool calls. Внутри LFM2.5-2.6B + SigLIP2 NaFlex vision encoder, контекст 32K. Самое интересное - скорость. Liquid AI заявляет 228 ток/с на Apple M5 Max и 116 ток/с на Ryzen AI Max+ 395, при этом модель укладывается менее чем в 3,3 ГБ памяти. Есть готовые версии для Transformers, vLLM, SGLang, GGUF, ONNX и MLX, поэтому её можно использовать как лёгкий локальный vision-слой для OCR, screen understanding и agentic workflows. huggingface.co/LiquidAI/LFM2.5-VL-3B #AI #Vision #LocalAI #Agents #LiquidAI

Что скрывается за монетизацией поиска и реков в Авито 👀 Рассчитать ожидаемую выручку сложнее, чем кажется: нельзя просто умножить вероятность на ставку. На практике всё упирается в данные, метрики и бизнес-ограничения. Если вам интересно, как работает наше ранжирование, приходите на Хабр почитать и оставить комментарии.

🔥 30B-модель ужали до 2 бит и заставили 10 минут подряд работать как агент на 22 ГБ VRAM Unsloth прогнала NVIDIA Nemotron 3.5 Lightning 30B-A3B в 2-bit GGUF на одной машине с 22 ГБ видеопамяти. За один непрерывный запуск агент успел сослаться более чем на 80 сайтов, выполнить код, использовать инструменты и найти 10 реальных локаций. И всё это без серверной фермы. Nemotron здесь особенно удобен из-за MoE-архитектуры: из 30B параметров на токен активно только около 3B. А агрессивное 2-bit квантование позволяет уместить модель в VRAM, которая ещё недавно казалась слишком маленькой для такого класса LLM. Запускать и дообучать её можно через Unsloth Desktop. GGUF: https://huggingface.co/unsloth/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-GGUF Гайд: https://unsloth.ai/docs/models/nemotron-3.5 Локальные агенты постепенно перестают означать «маленькая модель с кучей компромиссов». Теперь вопрос всё чаще в том, насколько далеко можно ужать frontier-like модель, сохранив нормальный tool use. #AI #NVIDIA #Nemotron #LocalAI #Unsloth

👣 Google внезапно объяснила, почему Go может стать главным языком эпохи AI-кодинга Код теперь пишется слишком быстро. Агент за несколько секунд может выдать сотни строк, переписать пакет или собрать целый сервис. Проблема сместилась туда, где автоматизация пока не спасает: всё это нужно прочитать, проверить и потом годами поддерживать. Именно на этом Google строит свежий аргумент в пользу Go. Go изначально проектировали для больших команд и долгоживущих кодовых баз. Поэтому здесь почти невозможно устроить соревнование по синтаксическим фокусам. gofmt приводит код к одному виду, стандартная библиотека закрывает огромный пласт задач, а компилятор быстро ловит выдуманные методы, неправильные типы и другие типичные ошибки LLM. Сгенерировал код, запустил компилятор и тесты, получил ошибку, исправил, повторил. Рядом уже лежат fuzzing, govulncheck, gopls, go fix, профилирование и tracing. Агенту не приходится каждый раз собирать собственный зоопарк инструментов. Есть и менее очевидный бонус. Go-код в разных проектах обычно выглядит похоже. Меньше вариантов выразить одну и ту же конструкцию, меньше сюрпризов при ревью, проще заметить галлюцинацию модели или странную зависимость. Для мира, где код начинают генерировать в огромных объёмах, такая предсказуемость становится очень дорогим преимуществом. Получается забавно: Go долго критиковали за синтаксис, жёсткие правила и отсутствие лишней магии. А теперь именно эти качества неожиданно делают его одним из самых удобных языков для работы с coding agents. https://developers.googleblog.com/why-go-is-an-ideal-language-for-ai-assisted-software-engineering/ #Golang #Go #AI #Programming #AIAgents @Golang_google

🔥 9B-модель, которая по тестам автора залезает на территорию 27B: вышла Qwen3.5 The Defiant DavidAU выложил необычный fine-tune Qwen3.5-9B с упором на reasoning, код, creative writing и жёсткое следование инструкциям. Модель помечена как multi-stage tuned, heretic/abliterated и распространяется под Apache 2.0. Самое интересное в цифрах. Автор утверждает, что в своём наборе из семи бенчмарков 9B-версия превосходит обычную Qwen3.5-27B и Qwen3.6-35B-A3B, а в отдельных тестах добирается до уровня Qwen3.6-27B. Это пока результаты из model card, поэтому воспринимать их лучше как заявленные, а не как независимый leaderboard. Для локального запуска подготовили обычные и MTP GGUF в куче квантов. Например, Q4_K_M занимает около 6,83 ГБ, а MTP-версия около 6,98 ГБ. Есть варианты от IQ2_M примерно на 4,94 ГБ до Q8_0 около 10,5–10,7 ГБ. Отдельно используется NEO IMATRIX. По заявлению автора, такой способ квантования должен лучше сохранять качество и long-context поведение по сравнению с обычными GGUF. Запускается через llama.cpp, Ollama, vLLM, LM Studio и другие локальные рантаймы; через llama.cpp можно сразу поднять OpenAI-compatible endpoint. Если заявленные результаты подтвердятся на независимых тестах, это ещё один хороший пример того, насколько далеко сейчас можно вытянуть маленькую 9B-модель правильным fine-tuning + quantization. DavidAU/Qwen3.5-9B-The-Defiant-Fable-Uncensored-Heretic-NEO-IMATRIX-MAX-MTP-GGUF #AI #LLM #Qwen #LocalAI #GGUF

📌 OpenAI впервые опубликовала статистику использования ChatGPT по странам Статистика опубликована на Signals - площадке экономической исследовательской группы компании и охватывает второй квартал 2026 года. В выборку вошли только аккаунты подписок Free, Go, Plus и Pro, корпоративные подписки не учитывались. 🟡Главный вывод В рабочем контексте люди вдвое чаще просят ChatGPT что-то сделать (написать текст, код, провести анализ), чем вне работы. За пределами офисов по-прежнему преобладают вопросы и поиск информации. OpenAI описывает это как сдвиг "от вопросов к действиям". 🟡Разрыв между странами сокращается По подсчётам компании, во втором квартале Латинская Америка, Африка и Океания росли быстрее остального мира, сильнее всего в рейтинге сообщений на душу населения поднялись Перу, Уругвай и Коста-Рика. Северная Америка и Европа тоже растут, но медленнее. 🟡Типы контента Быстрее всего набирает вес работа с изображениями и другим мультимедийным контентом. После выхода ChatGPT Images 2.0 в апреле доля таких запросов по всему миру достигла 7,8%. В Бразилии и Колумбии на них приходится больше каждого десятого сообщения. 🟡Возрастной состав Доля сообщений от пользователей старше 35 лет за год выросла почти во всех странах - в среднем на 5%, а во Франции и Чехии больше чем на 10 процентных пунктов. В Юго-Восточной Азии рост слабее - в шести из восьми стран региона доля этой группы увеличилась незначительно, а в Сингапуре зафиксирована обратная динамика. OpenAI утверждает, что ChatGPT пользуются больше миллиарда человек, и адресует новые данные исследователям и регуляторам. С методикой можно ознакомится тут, а данные приведенной статистики можно загрузить здесь. @ai_machinelearning_big_data #AI #ML #Research #ChatGPT #OpenAI

DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены. Сейчас DeepSeek V4 Flash 0731 стоит всего: Вход: $0,14 за 1 млн токенов Выход: $0,28 за 1 млн токенов По расчётам Artificial Analysis, выполнение одной тестовой задачи обходится примерно в 3 цента - почти в 105 раз дешевле Claude Fable 5. И этот демпинг сработал. Новая версия стала самой быстрорастущей моделью Ollama самой быстрорастущей моделью Ollama по объёму токенов. Сервис уже расширяет мощности в США и Европе, чтобы выдержать нагрузку. Получается классическая стратегия: сначала - почти бесплатный доступ потом - массовое распространение затем - повышение цены DeepSeek не раскрыла причину изменения тарифов. Но обслуживать огромный поток запросов по цене, установленной для захвата рынка, становится всё сложнее. Особенно рискованно выбран момент. GPT-5.6 Luna и Muse Spark уже приблизились к V4 Flash по качеству, поэтому после повышения DeepSeek может потерять свой главный козырь - невероятное соотношение цены и возможностей. Пока V4 Flash остаётся одним из самых выгодных API на рынке. #DeepSeek #LLM #API #AI

Лето, ИТ-Пикник и музыка известных артистов уже через несколько дней! 8 августа в Коломенском пройдет ИТ-Пикник. В программе — выступления проекта LAB Антона Беляева, IOWA, Cream Soda, Pompeya, мартина и Совы. А днем — научпоп-лекции, дискуссии об ИИ и больших языковых моделях, мастер-классы и интерактивы. Полезные знакомства и развлечения тоже будут. Зарегистрироваться и узнать подробности можно на сайте мероприятия. В билет входит +1 — можно позвать близких и друзей. До встречи в месте притяжения ИТ.

🦀 Rust вводит официальные правила использования LLM при работе над `rust-lang/rust` Это не запрет ИИ и не позиция всего проекта Rust. Политику приняли команды, работающие с основным репозиторием языка. Причина - поток хорошо оформленных AI-PR, авторы которых не всегда понимают собственный код, и растущая нагрузка на ревьюеров. Главный принцип: > LLM можно использовать для анализа, проверки, уточнения и ревью, но не для самостоятельного создания изменений. AI-сгенерированный код допускается только для заранее согласованных и некритичных задач. Автор должен: - раскрыть использование LLM; - добавить тесты; - самостоятельно проверить результат; - понимать каждую строку изменения. Особенно строго ограничены изменения, связанные с безопасностью языка, документацией и диагностикой компилятора. Текст, созданный моделью для issue, PR или комментариев, тоже нужно явно помечать. При этом ревьюер не обязан проверять AI-сгенерированный PR и может закрыть его при нарушении политики. Подробнее: https://blog.rust-lang.org/inside-rust/2026/08/05/rust-langrust-is-adopting-an-llm-policy/

Rust, который наконец становится понятным 🦀 Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли? Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы. Ты разберёшь: Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой. 🔥 Rust с нуля 🔥 5–6 часов в неделю 🔥 Практика после каждого урока 🔥 Подойдёт после Python, JavaScript, Java и других языков 🔥 Можно начать сразу В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага. Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/

Репозиторий, который заменит десятки подборок по ИИ Awesome Artificial Intelligence - тщательно отобранная база материалов для разработчиков, которые хотят понимать современные AI-системы и запускать их в продакшене. У проекта уже более 15 тысяч звёзд на GitHub. Внутри собраны: лучшие книги и курсы по ML, LLM и deep learning; фундаментальные статьи — от Transformer и LoRA до RAG, ReAct и DPO; практические материалы по агентам, tool calling и context engineering; фреймворки: LangGraph, Pydantic AI, OpenAI Agents SDK, Google ADK; инструменты для evals, наблюдаемости и инференса; coding-агенты: Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode и OpenHands. Это не бесконечный каталог случайных ссылок. Автор оставляет только актуальные материалы с практической ценностью, а список проверяется и обновляется каждую неделю. Полезная стартовая точка для тех, кто хочет перейти от чтения новостей про ИИ к созданию реальных систем. GitHub: https://github.com/owainlewis/awesome-artificial-intelligence

CoRT: награда для LLM больше не размазывается по всему ответу В обучении с рубриками ответ модели оценивают сразу по нескольким критериям: точность, формат, стиль и полнота. Проблема в том, что методы вроде GRPO обычно превращают эти оценки в одно число. В результате одинаковый сигнал получают все токены ответа — и полезные, и ошибочные. CoRT распределяет награду точнее. Один и тот же ответ оценивается в двух условиях: - с исходным промптом и критериями; - с похожим промптом, но без критериев. Затем метод сравнивает вероятность каждого токена. Если токен стал заметно вероятнее благодаря рубрике, значит он связан с её требованиями и получает больший вес при обновлении модели. CoRT при этом: - не требует отдельной модели для оценки токенов; - не использует ручную разметку; - не меняет итоговую награду за весь ответ; - не запускает дополнительную генерацию; - добавляет только один проход для пересчёта вероятностей. В экспериментах метод в большинстве сравнений обошёл обычный response-level GRPO. Средний прирост составил 4,4 процентного пункта. Идея простая: если критерий выполнили конкретные части ответа, основную награду должны получать именно они. Paper: https://huggingface.co/papers/2607.25659

Статья Google «Attention Is All You Need», которая в итоге привела к появлению трансформеров, изначально выросла из попытки улучшить Google Translate всего примерно на 3%. Инновации часто рождаются уже в процессе создания продукта. Если ты сам ничего не строишь, ты теряешь возможность придумать, как сделать это лучше. ~ Palantir's CTO

Rust курс со Stepik для тех, кто уже пишет прод 🦀 Когда начинаешь думать не только «работает ли код», но и что происходит с памятью, аллокациями, потоками и ошибками под нагрузкой — Rust становится особенно интересным. На курсе разберёшь язык через реальные механики: ownership, borrowing, lifetimes, traits, generics, error handling, модули, тесты и сетевое программирование. После каждого блока — код и задача с автопроверкой. Подойдёт разработчикам на Go, C++, Java, Python, JavaScript и других языках. ⏱ 5–6 часов в неделю ⚡ Старт сразу 💻 Упор на практику Освой Rust так, чтобы после курса открыть новый проект и реально понимать, что пишешь и почему это работает. Начать учиться: https://stepik.org/a/294885/

🔥 За одну неделю вышло сразу 6 интересных open-weight моделей Пока все ждут веса Kimi K3 и Ling 3.0, Sebastian Raschka обновил свою LLM Architecture Gallery свежими релизами. И там есть несколько необычных решений. 1. Nanbeige 4.2 3B Берёт один стек из 22 Transformer-блоков и прогоняет его дважды. Получается эффективная глубина 44 блока без удвоения весов: больше compute, но почти тот же parameter footprint. 2. Laguna S 2.1 118B MoE, всего 8B активных параметров и контекст 1M токенов. Poolside позиционирует её для долгих coding-agent задач, причём модель помещается на одном DGX Spark. 3. Motif 3 Beta 314B-A13B MoE с новой Grouped Differential Latent Attention: latent-compression внимания дополняется группировкой heads и механизмом подавления «шума». 4. Solar Open 2 250B-A15B от Upstage. Архитектура чередует 3 linear-attention слоя и 1 GQA, что помогает довести контекст до 1M токенов. 5. Antares 1B Маленькая security-модель Cisco на базе Granite 4.0. Её дообучили через SFT + GRPO для поиска уязвимых участков кода через терминал. Хороший пример того, насколько далеко можно увести специализированную модель всего на 1B параметров. 6. BTL-3 Всего лишь rank-32 LoRA поверх Qwen3.6-27B, заточенная под coding agents и structured tool calling. Авторы заявляют 88,5% на BFCL v4 AST и 95,12% HumanEval pass@1. Open-weight экосистема сейчас интересна именно разнообразием архитектур: looped transformers, sparse MoE, linear attention, специализированные SLM и обычные LoRA-адаптеры развиваются одновременно. Все схемы и сравнения: https://sebastianraschka.com/llm-architecture-gallery/ @bigdatai