Github

✔️ 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

## 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.

Полный 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/Aiagentsfullcourse