Github

## Git bisect — шаринган для поиска багов Когда баг появился где-то между сотнями коммитов, не нужно проверять историю вручную. Запускаем: git bisect start git bisect bad git bisect good <старый_рабочий_коммит> Git будет делить историю пополам и просить отметить каждый найденный коммит: git bisect good git bisect bad Через несколько шагов он покажет коммит, в котором появился баг. Можно автоматизировать: git bisect run pytest Тогда Git сам прогонит тесты и найдёт виновника. По сути, это техника теневых клонов для дебага: вместо проверки 1000 коммитов вручную достаточно около 10 шагов.

✔️ Step 3.7 Flash: новая ставка на агентную эффективность StepFun выпустили Step 3.7 Flash - открытую MoE-модель под Apache 2.0, заточенную не просто под чат, а под агентные сценарии: кодинг, поиск, работу с инструментами, документами, интерфейсами и изображениями. По заявленным бенчмаркам модель выглядит серьёзно: - #1 на ClawEval-1.1 - 67.1 - #1 на SimpleVQA Search - 79.2 - #2 на SWE-PRO - 56.3 - 95.3 на V* Python Что внутри: - 198B параметров всего - около 11B активных параметров - до 400 токенов в секунду - контекст 256K - 3 уровня reasoning - открытые веса под Apache 2.0 Главный акцент - не «самая большая модель», а модель, которая быстро и стабильно работает внутри агента. Она должна понимать UI, графики, документы и изображения, после чего писать код, вызывать инструменты и продолжать задачу без постоянного развала tool calls. Отдельно заявлена совместимость с Claude Code, KiloCode, Hermes Agent, OpenClaw и протоколами вроде MCP. Локальный запуск тоже в фокусе: Mac Studio M4 Max, DGX Spark, AMD AI Max+ 395. GitHub: http://github.com/stepfun-ai/Step-3.7-Flash HuggingFace: http://huggingface.co/stepfun-ai/Step-3.7-Flash GGUF: http://huggingface.co/stepfun-ai/Step-3.7-Flash-GGUF ModelScope: http://modelscope.cn/models/stepfun-ai/Step-3.7-Flash API: http://platform.stepfun.ai Blog: http://static.stepfun.com/blog/step-3.7-flash/

🚀 Как ваш код может стать частью мировых ИТ-продуктов? Работа над открытым кодом — крупнейшая совместная коллаборация в мире. Тимлид Яндекс Доставки Даниил Липаткин написал интересную статью, в которой на примере Flutter рассказал, как можно самому начать делать вклад в разработку открытого ПО. И спойлер: для этого даже не обязательно писать код! В статье вы узнаете: • Как легко подступиться к чужому объёмному коду. • Зачем техногигантам открыто публиковать свои лучшие наработки. • Как избежать типичных ошибок новичков. • Почему отправляя на проверку код нельзя забывать про вежливость. Текст здорово мотивирует на то, чтобы начать вносить свой вклад в общее дело 🤝 ▶️ Читайте статью в блоге Городских сервисов Яндекса

📌 Сколько стоит построить ИИ-ЦОД мощностью 1 ГВт? Epoch AI опубликовала модельную оценку полной стоимости владения типовым дата-центром для искусственного интеллекта мощностью один гигаватт. По расчётам, такой объект потребует около $38 млрд первоначальных капитальных вложений и $900 млн операционных расходов в год. Если капитальные затраты распределить на срок службы оборудования, совокупная стоимость владения составляет примерно $8,5 млрд в год. Около 60% этой суммы (порядка $5 млрд) приходится на серверы. Расходы на их фоне невелики: даже электроэнергия, крупнейшая операционная статья, по оценке обойдется в $600 млн в год. Авторы оговариваются, что это упрощённая финмодель, а не оценка конкретного объекта. Расчёт описывает гипотетический ЦОД крупного американского оператора облачной инфраструктуры на оборудовании NVIDIA GB200 NVL72. Реальные издержки могут заметно отличаться в зависимости от выбора серверов, проектирования, расположения, схемы финансирования и стратегии энергоснабжения. Главная неопределённость расчётов связана со сроком службы IT-оборудования. Базовый сценарий исходит из 5 лет для серверов и сетевой инфраструктуры и 14 лет для здания. При сроке в 3 года годовая стоимость владения возрастает примерно до $12–13 млрд, при 7 - снижается до $7 млрд. Оценка опирается на статистику государственного энергорегулятора США, показатели энергоэффективности Lawrence Berkeley Lab, стоимость серверов по выкладкам SemiAnalysis, строительные индексы Turner & Townsend и ряд других источников. Модель предполагает полное питание от энергосети и не учитывает собственную генерацию, налоговые льготы оценены приблизительно. Обновлённый расчёт даёт стоимость владения $8,5 млн на мегаватт в год против прежних $10,8 млн. Снижение авторы объясняют переходом на новое оборудование и пересмотром части исходных данных. @ai_machinelearning_big_data #news #ai #ml

🤖 Machine Learning Roadmap: от базы до гуру вайбкодинга Карта обучения машинному обучению (Machine Learning, Deep Learning, LLM, Generative AI, MLOps) - от первого import numpy до уровня инженера, который понимает, как ИИ работает внутри, и может писать прод‑системы, а не только дёргать API. https://github.com/justxor/MachineLearningRoadmap/tree/main

✔️ Релиз Ernie 5.1: треть параметров Ernie 5.0 и 4 место в Arena Search Leaderboard Baidu выпустила языковую модель Ernie 5.1 с закрытыми весами. Затраты на претрейн составили 6% от типичного бюджета для моделей этого класса. Новинка построена на базе Ernie 5.0, но содержит треть от общего числа параметров и использует вдвое меньше активных параметров при инференсе. В Arena Search Leaderboard модель заняла 1 место среди китайских сетей и 4 в мире. По заявлению Baidu, в тестах агентов Ernie 5.1 обходит DeepSeek-V4-Pro, а в логике и математике сопоставима с Gemini 3.1 Pro. Экономия вычислений достигнута за счет методики Once-For-All. Baidu обучала семейство моделей за один проход: сети делят общие веса, варьируясь по глубине и количеству активных блоков MoE. Основной претрейн выполнили при создании Ernie 5.0, для версии 5.1 потребовалось только извлечь оптимальную конфигурацию. Для борьбы с эффектом качелей (падение креативности при улучшении логики) применили четырехэтапный файнтюн: SFT, параллельная тренировка узкоспециализированных экспертов, дистилляция их навыков в единую модель-ученика и финальный RL. Доступ к Ernie 5.1 открыт через онлайн-площадки компании. @ai_machinelearning_big_data #news #ai #ml

🦀 Полный roadmap по изучению Rust на русском + большой список ресурсов. Rust Roadmap 2026 на русском - пошаговый план изучения Rust для начинающих и продвинутых разработчиков: синтаксис, ownership, lifetimes, async, unsafe, FFI, тестирование, многопоточность и реальные проекты. https://github.com/Develp10/rust-roadmap-ru/tree/main

Pterodactyl — это современная, мощная панель управления игровыми серверами, написанная на PHP с использованием Laravel и Vue.js. Проект ориентирован на безопасность, производительность и расширяемость. Архитектура Pterodactyl построена на принципе контейнеризации: каждый сервер работает в собственном Docker-контейнере. Это обеспечивает изоляцию, гибкость управления и простую миграцию между хостами. Поддерживается широкий список игр и движков, включая Minecraft, CS:GO, Rust, ARK и многие другие. 🔹Основные возможности: — Веб-интерфейс с красивым и отзывчивым UI — Управление правами пользователей и доступом — Поддержка нескольких узлов (нодов) — API для автоматизации и интеграций — Мониторинг ресурсов: CPU, RAM, дисковое пространство — Поддержка SFTP через Daemon — Интеграция с Docker для запуска серверов в изолированной среде Проект с открытым исходным кодом, активно развивается и имеет сильное комьюнити. Отличное решение как для хостинг-провайдеров, так и для личного использования. https://github.com/pterodactyl/panel

🐦 Flappy Bird на C: минимальный APK размер! 🚀 Создайте свою версию классической игры Flappy Bird с минимальным размером APK менее 100 КБ. Проект демонстрирует использование OpenGL ES 2 и Android Native Activity для создания увлекательного игрового опыта. Идея возникла из желания оптимизировать размер приложения, сохранив при этом интересный геймплей. 🚀Основные моменты: - Минимальный размер APK менее 100 КБ - Использование OpenGL ES 2 и Android Native Activity - Сжатие звуков в формате MP3 - Поддержка PNG-декодирования с помощью upng - Вдохновлено другими проектами и играми 📌 GitHub: https://github.com/VadimBoev/FlappyBird #c