17610
@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
⚡️ SenseNova U1.5-Lite: не «умеет всё», а умеет делать всё вместе
SenseNova выпустила U1.5-Lite - открытую мультимодальную модель на 8B параметров для понимания изображений, генерации и редактирования.
Главная идея здесь не в размере, а в объединении навыков в одной модели.
U1.5-Lite умеет работать со сложными промптами, нативно генерировать 2K/4K, лучше рисовать текст и делать локальные правки без отдельного роутера или переключения между экспертами.
Обучение идёт через специализированных экспертов для:
— text rendering и инфографики
— визуального качества
— image editing
После этого OPD переносит их способности в одну лёгкую unified-модель.
Плюс task-oriented RL усиливает следование инструкциям, качество композиции и точность редактирования.
🛠️GitHub: https://github.com/OpenSenseNova/SenseNova-U1
🤗HF: https://huggingface.co/collections/sensenova/sensenova-u15
⚡️ Переписывание Bun на Rust превращается в очень странный AI-эксперимент
Bun 1.4 задерживается уже около трёх месяцев, и автор Tero Piirainen считает, что проблема намного интереснее обычного сорванного релиза.
За последний месяц в репозитории Bun 15,8 тыс. коммитов сделал robobun, ещё 1,6 тыс. — autofix-ci[bot], а Jarred Sumner — около 790. При этом у проекта накопилось больше 5 тыс. открытых PR.
По сути, Bun стал одним из крупнейших экспериментов: можно ли переписать важную продакшен-кодовую базу на Rust силами AI-агентов, когда человек в основном направляет процесс.
Отдельный вопрос, зачем вообще понадобился полный переход с Zig на Rust. Одним из аргументов была memory safety, но в новой кодовой базе всё ещё много unsafe, поэтому выгода выглядит не такой очевидной.
https://tipiirai.com/writing/bun-rust-rewrite-worries
@rust_code
Вырастили целое дерево из агентов 🌳
Мы в Авито разработали единую платформу для процессов. Самые лучшие и популярные становятся агентами. В итоге каждый сотрудник может создать свой процесс или воспользоваться готовым. Классно? Не то слово! Поэтому мы написали статью, как создавали это решение.
О чём узнаете, если прочитаете:
🔸как устроена архитектура платформы,
🔸как процесс становится агентом,
🔸как измерять качество агентов.
Читать статью 🚀
Компании финансового и промышленного секторов уже активно внедряют технологии машинного обучения (МL) 👨🏻💻И правильно, ведь это повышает эффективность бизнес-процессов и позволяет создавать новые цифровые сервисы.
☹️Но высокие операционные риски, большие затраты на вывод моделей в промышленную эксплуатацию (и еще ряд проблем) мешают масштабированию ML-проектов.
😊Эти задачи решает продукт с говорящим названием "Управление жизненным циклом машинного обучения" от Диасофт. Он обеспечивает централизованное управление всеми этапами работы с ML-моделями – от проведения экспериментов и управления версиями до промышленного развертывания, мониторинга и сопровождения моделей. Все это происходит в едином технологическом контуре организации.
Как это возможно? Благодаря внушительной функциональности продукта. Узнать подробнее можно по ссылке!
#реклама
О рекламодателе
17 сентября собираем всех, кто реально делает ИИ, на AI R&D DAY в Москве.
Конференция для R&D-специалистов, AI-архитекторов, продакт-менеджеров и технических лидеров, отвечающих за внедрение технологий следующего поколения.
Особенности программы:
🔹 NextGenAI: из исследований — в продукты
🔹 Голос, текст, изображения, звук — в одной системе
🔹 Как оценивать качество, когда старые метрики устарели
🔹 22 доклада от тех, кто пишет код, а не только статьи
Это не конференция «послушать и забыть». Это точка сборки сообщества, которое формирует, а не комментирует.
📍 Москва / онлайн
💰 Бесплатно
🚨 Места ограничены
👇 Регистрация по ссылке: https://tglink.io/63095d1baa9c31?erid=2W5zFGUGZzq
#реклама
О рекламодателе
⚡️ 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
🔥 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
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.
👣 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
📌 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.
OpenAI утверждает, что ChatGPT пользуются больше миллиарда человек, и адресует новые данные исследователям и регуляторам.
🦀 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/
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
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
🔥 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
— 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.
На старте ИИ-проекта для инференса часто используют API ⤵️
Но по мере роста нагрузки, требований к безопасности и затрат возникает потребность в собственной ИИ-инфраструктуре.
На вебинаре 25 августа эксперты Cloud․ru расскажут, когда пора переходить на Bare Metal и как построить инфраструктуру для запуска моделей в продакшене.
В программе:
▶️Когда для инференса достаточно API, а когда переходить на собственную инфраструктуру
▶️Как выбрать GPU-сервер для инференса и обучения моделей
▶️Как обеспечить быструю связь между GPU-серверами с InfiniBand
▶️Как собрать кластер уровня суперкомпьютера
▶️Как обеспечить изоляцию данных и безопасность
▶️Как избежать непредсказуемого роста расходов
Ornith-1.5: новая семья open-source моделей с упором на самообучение
В линейку вошли три версии: 9B Dense, 35B MoE и 397B MoE. Авторы делают ставку не только на масштаб, но и на self-improvement: модель сама предлагает новые задачи, строит под них scaffolding и генерирует rollouts для последующего RL-обучения.
По заявленным результатам, Ornith-1.5 показывает сильные цифры на reasoning, coding и agentic-бенчмарках:
Terminal-Bench 2.1 — 86.1
SWE-Bench Verified — 86
SWE-Bench Pro — 65.1
SWE-Bench Multilingual — 79.6
HLE — 44.6
ClawEval — 81.4
Tool Decathlon — 71.2
Авторы также заявляют уровень, сопоставимый с Claude Opus 4.8 в ряде задач.
Все модели выпущены под MIT License. Есть также FP8, GGUF, MLX и NVFP4-квантизации, поэтому линейку можно использовать как для исследований, так и в коммерческих проектах.
Tech Blog:
http://ornith.ai/ornith_1_5.html
Hugging Face:
http://huggingface.co/collections/ornith-ai/ornith-15
✔️ США пригрозили исключать из Pax Silica страны, работающие с КНР по ИИ
Госдепартамент разослал странам-партнерам документ с требованием свернуть сотрудничество с Китаем в сфере ИИ. Кто откажется - вылетит из Pax Silica, коалиции, созданной ради контроля над поставками полупроводников, ИИ-технологий и критических минералов.
Поводом стали действия Казахстана, крупного поставщика редкоземельных ископаемых. Страна попыталась усидеть на двух стульях, вступив разом в Pax Silica и в аналогичное китайское объединение.
Ограничивая участие союзников в китайских проектах, США рассчитывают отрезать КНР от сырья и технологий, на которых держится развитие ИИ.
reuters.com
✔️ OpenAI арендует кластер на 8 ГВт в Огайо
OpenAI подписала 20-летний договор аренды ИИ-кластера в Огайо. Дата-центр и энергетику для него построит SB Energy, структура SoftBank.
ИТ-нагрузка кампуса составит 8 ГВт, вся площадка потребует около 10 ГВт, из которых 9,2 ГВт дадут газовые электростанции. Строить будут на территории бывшего завода по обогащению урана. Первые стойки должны заработать в 2028 году.
Ускорители поставит только Nvidia. Она же подстраховала проект деньгами: гарантировала SB Energy выплаты за аренду и электричество на 105 млрд долларов, то есть взяла на себя риск, если OpenAI не потянет, и вложила в застройщика еще 1,5 млрд.
openai.com
✔️ Alibaba открыла бету музыкального генератора HappyShrimp
Сервис собирает трек целиком (мелодию, аранжировку и вокал) по тексту песни или описанию жанра. Можно задать инструменты, стиль и динамику.
Жанров пока пять: поп, рок, электроника, джаз и традиционная китайская музыка. Для работы над сервисом Alibaba договорилась с китайским лейблом Taihe Music Group.
На бесплатном тарифе ежедневно начисляется квота генераций. За 5 долларов в месяц дают 150 треков, за 20 долларов - 800 треков и до шести генераций одновременно.
happyshrimp.ai
✔️ Unitree показала тизер гуманоида Superman
По заявлению компании, робот разгоняется до 12,66 м/с (45,5 км/ч). Это выше пиковой скорости, которую показывают спринтеры на стометровке, у рекордсменов она держится около 12,3 м/с.
При длине ног 0,85 метра робот прыгает с места на 2 метра. Всю машину, по словам Unitree, собрали за три месяца.
Проект в очень ранней стадии. Компания обещает дорабатывать и железо, и алгоритмы управления.
UnitreeRobotics в X
✔️ Модели Qwen скачали больше 3 млрд раз за полгода
Открытые модели Alibaba за последние шесть месяцев скачали свыше 3 млрд раз. Крупнейшие американские разработчики открытых моделей за тот же срок вместе не набрали и миллиарда - это данные Hugging Face.
В экосистеме Qwen больше 460 моделей, а сообщество выпустило на их основе свыше 300 тысяч производных версий.
bloomberg.com
@ai_machinelearning_big_data
#news #ai #ml
🚀 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-Report
🇪🇺 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.
🧮 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
🔥 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
🔥 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
🔥 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
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
сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены
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/
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
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/
🔥 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-rewrite
Amazon Kani для Rust получил академическую статью, принятую на ASE 2026. 🦀
Kani пытается формально доказать корректность Rust-кода математически.
Что умеет:
* доказывать отсутствие panic, overflow и нарушений memory safety
* проверять, что `unsafe`-код действительно безопасен
* гонять 16 000+ harness’ов на каждый commit в Rust standard library
* находить баги, которые раньше не видели в промышленных Rust-проектах
Главное отличие простое:
fuzzing пытается найти баги через множество входных данных.
Kani проверяет свойства кода формально, в рамках заданного harness’а.
Kani интегрирован в CI стандартной библиотеки Rust.
Каждый commit в std проходит формальную проверку.
🔗 arxiv.org/abs/2607.01504