Github
описание
@workakkk - по всем вопросам @itchannels_telegram - 🔥лучшие ит-каналы @data_analysis_ml - работа с данными @ai_machinelearning_big_data - машинное обучение @english_forprogrammers - английский для программистов
2 519
подписчиков
Охват к подписчикам
54,5%
ERR
Реакции к просмотрам
0,10%
39 на 26 постов
Пересылки к просмотрам
1,22%
467
Постов в день
0,1
всего 26
Где отзываются чаще
доля реакций к просмотрам- 16:09Полный инженерный курс по AI-агентам на русском: от tool calling до production Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента. Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле. https://github.com/justxor/Aiagentsfullcourse0,69%
- 10 мая🦀 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/main0,58%
- 28 авг. 2024 г.без подписи0,45%
- 12 мая✔️ 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 #ml0,32%
- 15 мая🤖 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/main0,29%
- 4 июл. 2024 г.без подписи0,28%
- 20 авг. 2025 г.без подписи0,26%
- 1 маяPterodactyl — 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/panel0,19%
- 19 мая📌 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 #ml0,13%
- 2 июн. 2025 г.без подписи0,07%
- 29 мая✔️ 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/0,05%
- 23 июл.## 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.0,00%