Python RU

🔥 Один из лучших обучающих курсов на StepiK по SQL

SQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.

Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.

Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.

После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.

Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/

⚡️ DeepSeek открыла веса V4.1-Flash

DeepSeek выложила свежайшую DeepSeek-V4.1-Flash, мультимодальную MoE-модель на 552 млрд параметров, с контекстом до миллиона токенов и методом Causal Encoder-Decoder под капотом, который вдвое удешевляет разбор входа.

Задача, под которую её делали, скучная, но дорогая. Долго работающий агент постоянно перечитывает свой контекст, и всё прочитанное приходится держать в KV-кэше.

На длинных дистанциях он раздувается, забивает видеопамять и упирается в пропускную способность шин.

В V4.1-Flash кэш сжат до 890 байт на токен, это вчетверо меньше, чем у V4-Flash, и в 437 раз, чем у первой версии DeepSeek.

Каждому слою внимания заранее назначен один из трёх режимов:

🟢в полном слой считает свои ключи и значения сам;
🟢в режиме переиндексации берёт их у предыдущего слоя, но заново выбирает, на что смотреть;
🟢в режиме повторного использования не считает ничего - берёт и чужой кэш, и чужой выбор.

Так хранить приходится в разы меньше. Сверху главный кэш держится в четырёхбитном формате FP4, и устойчивость к такой точности натренирована, а не добавлена после обучения.

🟡Causal Encoder-Decoder

Метод вдохновлен майкрософтовской работой You Only Cache Once про переиспользование KV-кэша слоями. DeepSeek внесла в него структурные улучшения, чтобы поднять ёмкость кэша и глубину вычислений при его порождении.

40 слоёв разделены пополам: 20 на энкодер, 20 - декодер. К и V для декодера не считаются в каждом его слое, а проецируются из последнего скрытого состояния энкодера.

Поэтому при разборе входа работает только первая половина сети - 8 млрд активных параметров на токен против 16 при генерации ответа.

Для агентов, у которых вход в разы длиннее вывода, это именно то, что нужно.

🟡Бенчмарки

На DeepSWE v1.1 модель берёт 74,2% против 74,0 у Claude Opus 5 и 73,0 у GPT-5.6 Sol.

На Terminal-Bench 2.1 - 90,6% (выше всех).

На AutomationBench - 54,8% против 50,3 у Opus 5.

А вот в Terminal-Bench 4.0, где нужны экспертные знания в науке, модель даёт 31,2% против 51,8 у Opus 5, то есть разрыв с топами на самых сложных задачах никуда не делся.

Модель поддерживает настраиваемый уровень рассуждений от 1 до 100, в API это три пресета: low, high, max - они соответствуют значениям 50, 75 и 100.

Шаблона чата в Jinja нет - вместо него советуют реализацию промптов на Python и отдельный набор Rust-библиотек.

Сообщество на Hugging Face уже сделало квантованные версии практически под всё.


📌Лицензирование: MIT License


🟡Блогпост
🟡Веса
🟡Техотчет


@ai_machinelearning_big_data

#AI #ML #MMLM #MoE #Deepseek

Команды ждут тебя на треке программирование роботов на МТС True Tech Champ 2026  — всероссийском чемпионате по программированию с двумя треками и призовым фондом 10 250 000 рублей.

Успей зарегистрироваться до 13 сентября.

В треке программирования роботов тебе предстоит запрограммировать робособаку для доставки груза через полосу препятствий сначала в онлайн-симуляторе, а затем на офлайн-полигоне в финале 22 октября. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.

Участие в командах 2-5 человек. Если у тебя нет своей команды, кураторы помогут объединиться с другими участниками на платформе.

Масштабный финал объединит борьбу за призовой фонд 10 250 000 рублей, выступления хедлайнеров, доклады спикеров и активности для всех гостей мероприятия.

Успей зарегистрироваться и пройти квалификацию до 13 сентября.

erid:2VSb5xVWJTL

⚡️ DeepSeek выпустила V4.1 Flash

Ноую модель уже раскатывают в веб-чате и мобильных приложениях. Прежние режимы - быстрый, экспертный и распознавание изображений свели в один: выбирать вручную больше ничего не нужно.

Теперь одна модель ведёт и обычный диалог, и разбор картинок, и сложные вопросы. Сложность запроса она определяет сама, а зрение включает, когда на вход приходит изображение.

По словам DeepSeek, V4.1 Flash обходит V4 Pro по качеству, стоимости и скорости. До выхода V4.1 Pro она возьмёт на себя все запросы, которые раньше уходили на V4 Pro.


@ai_machinelearning_big_data

#news #ai #ml

🧠 Как обучить нейросеть на Python с нуля

Пошаговый разбор полного процесса:

* подготовка и разделение данных
* создание архитектуры модели
* выбор функции потерь и оптимизатора
* запуск обучения
* проверка качества на новых данных
* сохранение готовой модели

Материал подойдёт новичкам, которые хотят перейти от теории к первой работающей нейросети и понять, что происходит внутри обучения.

https://uproger.com/obuchit-nejroset-na-python/

False Sharing: два ядра, никаких lock, а всё тормозит. Почему?

Два потока пишут в разные переменные a и b, блокировок нет, а код всё равно упирается в потолок. Виноват false sharing: a и b лежат в одной cache line на 64 байта, и каждая запись одного ядра сбрасывает копию линии у второго. CPU гоняет кэш туда-сюда вместо полезной работы. Лечится разнесением горячи

https://youtube.com/shorts/piUddxoKcoY?feature=share

⚡️ Google открыла TimesFM 3 для прогнозирования временных рядов.

Модель уже доступна на GitHub и Hugging Face и рассчитана на задачи forecasting без необходимости обучать отдельную модель с нуля под каждый датасет.

Подходит для:

- прогнозирования продаж
- нагрузки и трафика
- финансовых и бизнес-метрик
- спроса
- сенсорных и временных данных

TimesFM 3 можно запускать локально и использовать как готовую базовую модель для time-series задач.

GitHub: https://github.com/google-research/timesfm

Hugging Face: https://huggingface.co/google/timesfm-3.0-pytorch

🔥 Вышли официальные GGUF-квантизации GLM-5.3 Flash Uncensored

Модель: 320B параметров, 18B активных.

Доступные варианты:

- Q6_K — 263 ГБ / 94,3% Top-1
- Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый
- Q3_K_M — 153 ГБ / 85,6% Top-1
- Q2_K — 117 ГБ / 75,5% Top-1

Подходит для запуска на CPU + GPU, включая Apple Silicon.

Это не jailbreak: удаление отказов зашито прямо в веса модели.

API со стандартными весами:
https://orcarouter.ai/models/z-ai/glm-5.3-flash

Uncensored GGUF:
https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF

NVIDIA заявила о 30-кратном росте эффективности Vera Rubin NVL72 для AI-агентов

По новым замерам NVIDIA, система Vera Rubin NVL72 показывает до 30x больше throughput на мегаватт и до 35x меньшую стоимость токенов по сравнению с GB300 NVL72 на агентных нагрузках.

Тестировали не обычный чат, а реальные coding-сессии из SemiAnalysis AgentX: длинный растущий контекст, вызовы инструментов, запуск субагентов и многошаговое рассуждение. По данным OpenRouter, такие сценарии могут потреблять примерно в 15 раз больше токенов, чем обычный запрос в чат.

В Vera Rubin NVIDIA отдельно оптимизировала работу с длинным контекстом: distributed KV-cache, KV-aware routing, разделение prefill и decode, expert parallelism и новые CUDA-кернелы.

На DeepSeek V4 Pro Vera Rubin NVL72, по данным NVIDIA, даёт до 30x больше throughput на мегаватт относительно GB300 NVL72. Эти результаты пока ожидают проверки SemiAnalysis.

https://blogs.nvidia.com/blog/vera-rubin-nvl72-efficiency-ai-agents/

Проект Python опубликовал документацию на русском языке

Объявлено о переводе на русский язык официальной документации по языку программирования Python. На русском языке доступны руководство по Python, а также первые три главы справочника по языку Python.

Подробнее:
https://opennet.ru/66116/
https://opennet.me/66116/

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку

Окружение решает больше, чем кажется.

Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.

AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg

Собеседования и карьера:

DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview

Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy

Полезное сверху:

ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg

Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

⚡️ Anthropic запустила бесплатную Claude Academy

Теперь у Claude появилась полноценная обучающая платформа с бесплатными курсами и гайдами для всех желающих.

Внутри есть разные уровни: от базового понимания, как работает AI, до более продвинутого использования Claude в повседневной работе.

Некоторые курсы дают сертификаты, так что скоро их наверняка станет заметно больше и в LinkedIn.

Все материалы бесплатные и открыты без ограничений.

https://academy.claude.com

@ai_machinelearning_big_data

#Anthropic #claude

⚡️ 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

🔥 9B-модель на 7 ГБ, которая по тестам автора лезет на территорию 27B

На Hugging Face вышла Qwen3.5-9B The Defiant Fable от DavidAU. Это многоэтапный fine-tune Qwen3.5-9B с упором на reasoning, instruction following, код и creative-задачи. Модель распространяется под Apache 2.0, а автор также позиционирует её как uncensored/heretic-версию с минимальными отказами.

Самое интересное в результатах. По собственному набору из семи бенчмарков автор заявляет, что 9B-версия обходит базовые Qwen3.5-9B, Qwen3.5-27B и Qwen3.6-35B-A3B, а местами приближается к Qwen3.6-27B. Причём сильные результаты сохраняются даже после 4-bit квантования. Это пока именно авторские тесты, а не независимый leaderboard.

Для локального запуска уже готовы обычные и MTP GGUF с NEO IMATRIX. Q4_K_M занимает примерно 6,8-7 ГБ, IQ3_M около 5,6 ГБ, а экстремальный IQ2_M всего 4,94 ГБ.

Контекст у базовой архитектуры до 262K токенов. Запускать можно через llama.cpp, Ollama, LM Studio, vLLM и другие локальные рантаймы, а через llama.cpp сразу поднимается OpenAI-compatible API.

Если независимые тесты подтвердят цифры, это хороший пример того, насколько далеко сейчас можно вытянуть маленькую 9B-модель правильным fine-tuning, merge и квантованием.

#AI #Qwen #LLM #LocalAI #GGUF

🔥 Stepik Курс: «Python современный AI для разработчика и автоматизации задач» ровно про второе.

63 урока, 382 шага, ноль вдохновляющих рассуждений. В каждом уроке разбор темы с рабочим кодом, короткие вопросы и задача с автопроверкой, которая решается на чистом Python без ключей и без интернета.

Внутри то, о чём молчат туториалы: структурированный вывод по схеме, RAG, который не выдумывает, агенты с tool calling, evals и ловля регрессий, кэш, лимиты и очереди, инъекции промптов, локальный запуск через Ollama и vLLM, text-to-SQL с правами только на чтение, pgvector с HNSW, MCP и песочница для кода агента.

Плюс то, что окупается в первый же день: разбор входящей почты, отчёты без выдуманных чисел, вебхуки, боты, сценарии в браузере.
Для тех, кто уже пишет на Python и устал от демок.

72 часа скидка 55% процентов, начать учиться - https://stepik.org/a/295921

🐍 Распаковка списков и кортежей в Python

Значения последовательности можно сразу распределить по переменным:

a, b, c = (1, 2, 3)
a, b, c = [1, 2, 3]


В обоих случаях результат одинаковый:

```python
a == 1
b == 2
c == 3

Количество переменных должно совпадать с количеством элементов, иначе Python вызовет ValueError.

Чтобы собрать оставшиеся значения, используйте *:

first, *middle, last = [1, 2, 3, 4, 5]

# first  = 1
# middle = [2, 3, 4]
# last   = 5

Распаковка также позволяет поменять значения местами без временной переменной:

a, b = b, a

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/

👣 Освой Rust и начни писать код, которому можно доверять

Хочешь перейти от Python, JavaScript или Java к быстрому системному программированию? Начни с Rust.

За курс ты пройдёшь путь от основ до уверенной разработки:

Ownership и Borrowing → структуры → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код.

🔥 После каждого урока — тесты и задача с автоматической проверкой.
⚡ Можно начать сразу.
⏱ Всего 5–6 часов в неделю.
🎯 Rust заранее знать не нужно.

В результате ты поймёшь, как управлять памятью без GC, избегать целого класса ошибок ещё на этапе компиляции и писать быстрые сервисы, утилиты и backend на Rust.

Хватит откладывать Rust «на потом». Начни писать на нём уже с первого занятия.

Эксклюзивно 36 часов скидка 55%: https://stepik.org/a/294885/pay?promo=d20c21b24473c78f