tgindex

Big Data AI

описание

@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe

← к каналу@bigdatai
18 138
подписчиков
Охват к подписчикам
6,7%
ERR
Реакции к просмотрам
0,43%
353 на 49 постов
Пересылки к просмотрам
1,65%
1 364
Постов в день
1,9
всего 55

Где отзываются чаще

доля реакций к просмотрам
  • 13 авг.👣 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_google2,41%
  • 24 июл.— Мам, а почему мы стали такими бедными? — Потому что у твоего отца были Claude Max, Cursor Pro и Grok 4.5, а в итоге он так ничего и не выпустил.1,48%
  • 15 авг.без подписи1,42%
  • 11:32🚀 DeepSeek V4 Pro внезапно стал заметно сильнее - без переобучения модели К DeepSeek V4 Pro 0813 подключили harness под названием J-Space, который снижает ошибки в длинных цепочках reasoning и tool use. По опубликованным результатам прирост местами очень серьёзный: * Terminal Bench: 87.9 → 90.1 * NL2Repo: 61.5 → 73.4 * CyberGym: 83.3 → 86.8 * DeepSWE: 62.7 → 72.0 * Toolathlon: 74.1 → 79.5 В ряде agentic/coding тестов такая связка якобы обходит даже Fable 5 и Opus 4.8. https://github.com/Tiger3807861189/DeepSeek-V4-J-Space-Capability-Realization-Report1,13%
  • 16 авг.🇪🇺 Китайские open-weight модели начинают всё активнее заходить в европейский enterprise. Siemens уже рассказывала о собственной изолированной LLM-платформе на базе vLLM, куда можно подключать Qwen, DeepSeek, Llama и другие открытые модели без привязки к одному API. Данные можно оставить внутри собственной инфраструктуры. Если персональные данные не уходят внешнему провайдеру за пределы EEA, не возникает отдельного трансграничного маршрута, к которому применяются требования главы V GDPR. С американскими API ситуация другая: передача данных через Атлантику по-прежнему опирается на EU-US Data Privacy Framework, который пришёл на смену двум предыдущим соглашениям, отменённым судами. Действующая схема была поддержана судом ЕС в 2025 году, хотя споры вокруг неё продолжаются. GPU простаивает за те же деньги, что и работает. Облачный провайдер распределяет один кластер между тысячами клиентов, а отдельная компания вынуждена покупать мощности под собственный пик нагрузки. Поэтому Qwen или DeepSeek в европейском дата-центре могут выиграть по контролю над данными и зависимости от внешних API, но экономика сходится только при достаточно высокой загрузке железа. Китай остаётся стратегически важным рынком компании, поэтому поддержка китайских моделей в собственном стеке даёт дополнительную технологическую гибкость сразу в двух регионах.1,01%
  • 11 сент. 2025 г.👣 Google объявил релиз **Genkit Go 1.0** — стабильную, готовую к продакшену версию open-source фреймворка для разработки AI-приложений на Go. Также представлена новая команда genkit init:ai-tools для лёгкой интеграции с AI-ассистентами в процессе разработки. 🔑 Что нового в Genkit Go 1.0 1. Production-ready API признан стабильным: все программы, написанные на Genkit 1.*, будут работать и собираться в будущих минорных версиях. 2. Type-safe AI-flows - Определение “flows” через Go-структуры и JSON Schema. - Повышенная типобезопасность, тестируемость, наблюдаемость и удобство при деплое. 3. Унифицированный интерфейс моделей Поддержка разных провайдеров (Google AI, Vertex AI, OpenAI, Ollama и др.) через единый API — легко переключаться между ними. 4. Tool calling, RAG и мультимодальность - Вызов внешних инструментов (tool calling). - Retrieval-augmented generation (RAG). - Поддержка мультимодальных сценариев (текст, изображения и др.). 5. Инструменты для разработчиков - Независимая CLI-утилита для локальной разработки. - Developer UI: тестирование промтов, отладка flows, отслеживание производительности и трассировка. 6. Команда `genkit init:ai-tools` Автоматическая интеграция с AI-ассистентами разработки: Gemini CLI, Firebase Studio, Claude Code, Cursor и др. 7. Примеры кода В официальной документации показано, как определять flows, запускать HTTP endpoints, работать с моделями и инструментами. 🚀 Почему это важно - Быстрая и безопасная разработка AI-приложений на Go. - Унифицированный API позволяет экспериментировать и менять провайдеров без переписывания логики. - Встроенные dev-инструменты ускоряют отладку и интеграцию. - Подходит как для прототипов, так и для production-решений. 📌 Официальный анонс: https://developers.googleblog.com/en/announcing-genkit-go-10-and-enhanced-ai-assisted-development/?linkId=16710004Нужно @Golang_google #Genkit #GoLang #GoogleAI #AIDevelopment #OpenSource #RAG0,80%
  • 12 авг.🔥 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 #GGUF0,80%
  • 2 авг.без подписи0,80%
  • 21 июл.Дарио: «МАСШТАБИРОВАНИЕ МОДЕЛЕЙ С ОТКРЫТЫМ ИСХОДНЫМ КОДОМ ИДЁТ ПО ОЧЕНЬ ОПАСНОМУ ПУТИ». Это стоит пересмотреть ещё раз. Доступ к открытым моделям без ограничений будут терпеть лишь до тех пор, пока они недостаточно умны, чтобы угрожать закрытым ИИ-компаниям.0,74%
  • 30 июн. 2025 г.без подписи0,66%
  • 14 авг.🔥 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/2959210,62%
  • 26 июл.🔥 Tree-sitter переписали с C на Rust с помощью ИИ и ускорили почти на 30% Автор ast-grep поручил ChatGPT переписать ядро Tree-sitter на Rust, сохранив совместимость с существующими сгенерированными парсерами. Результат: • raw parsing: +29,74% throughput • обход дерева: +10,16% • полный ast-grep: примерно 22% меньше CPU-времени • существующие grammar/parser-артефакты остались совместимыми Но самое интересное началось после первых бенчмарков: сам ast-grep сначала стал медленнее, хотя парсер уже работал быстрее. Причина оказалась в архитектуре и работе с памятью. Первую пачку AI-оптимизаций вообще пришлось откатить: код стал плохо читаемым и начал ловить segfault'ы. После этого подход поменяли: сначала упростили runtime, убрали ненужные для ast-grep части incremental parsing, переработали аллокации и структуры данных, а уже потом снова занялись производительностью. 🔗 https://astgrep.com/blog/tree-sitter-rust-rewrite0,60%