Python Portal

Теперь собрать собственную reasoning-модель может практически любой желающий. Себастьян Рашка выпустил полностью бесплатный курс и открыл исходный код всех материалов. На примере небольшой модели Qwen3-0.6B он показывает, как на самом деле обучаются reasoning-модели и из каких этапов складывается этот процесс. В ходе курса можно разобраться, как: • научить модель искать разные пути решения одной задачи; • автоматически проверять правильность полученных ответов; • улучшать её поведение с помощью обучения по вознаграждению и GRPO; • наблюдать за тем, как модель порой находит способы обойти саму систему вознаграждений; • обучать более компактную модель на данных рассуждений DeepSeek-R1. Весь код можно запускать самостоятельно, наблюдая за ходом обучения и постепенно замечая, как меняется поведение модели. При этом начинать с самого нуля не придётся, так как в качестве исходной точки используется уже готовая небольшая модель, а не фундаментальная модель, которую пришлось бы обучать с нуля. Если вам давно хотелось понять, как устроены модели вроде DeepSeek-R1, этот курс даёт редкую возможность не просто прочитать об этом, а пройти весь путь собственными руками. https://github.com/rasbt/reasoning-from-scratch

Google Artemis позволяет ИИ-агентам управлять Android-устройствами, а теперь в проекте готовится поддержка iPhone! Я уже довольно давно слежу за этим проектом с открытым исходным кодом, и с каждым обновлением он становится всё интереснее. Сейчас разработчики работают над несколькими возможностями: - Поддержка iOS, включая физические устройства и симуляторы. - Локальные мультимодальные модели на базе Gemma 4. - Интеграция с OpenCode через MCP. - Поддержка жестов с несколькими одновременными касаниями и упрощённое беспроводное подключение Android-устройств. Все эти изменения пока находятся в открытых PR, однако работа над ними заметно продвигается. https://github.com/google/artemis 👉 @PythonPortal

Симуляция Нью-Йорка, генерируемая в реальном времени. По виртуальному городу можно прогуляться пешком, прокатиться на велосипеде, проехать на автомобиле или полетать на вертолёте. В симуляции реализованы эффекты освещения, смена времени суток в реальном времени, дорожное движение, отражения и многое другое. При этом весь проект занимает менее 800 КБ, а его исходный код находится в открытом доступе. https://mrdoob.github.io/slop-newyork/ 👉 @PythonPortal

Одна из лучших моделей, превращающих изображения в 3D, вышла в открытый доступ. Hi3D V1.0 — масштабированная версия прошлогодней Sparc3D. Её код и веса уже опубликованы на GitHub и Hugging Face. Скачать и использовать модель можно совершенно бесплатно. Признаться, за последнее время я не встречал более любопытного открытого релиза в области 3D. 👉 @PythonPortal

Claude больше не способен проводить реверс-инжиниринг всего подряд. Anthropic незаметно прикрыла REA (Reverse Engineer Anything). Любопытно, однако, при каких обстоятельствах это произошло. После нескольких нашумевших случаев, когда пользователи с помощью Claude проводили реверс-инжиниринг прошивок телевизоров Samsung и обнаруживали сервисы сбора данных, Anthropic, по всей видимости, решила ограничить возможности модели в этой области. Как говорится, слишком многое узнал. 🚬 👉 @PythonPortal

Генеральный директор OpenAI Сэм Альтман заявил:

«Будущее должно оставаться под контролем людей. Мы не хотим, чтобы слишком много власти сосредоточилось в руках ИИ с IQ в десять миллиардов или небольшой группы людей, которые смогут делать с помощью ИИ всё, что захотят».

Насколько умнее самых выдающихся людей может стать искусственный интеллект и как быстро это произойдёт? 🤔 👉 @PythonPortal

Демис Хассабис, генеральный директор Google DeepMind и лауреат Нобелевской премии, ожидает появления AGI гораздо раньше, чем предполагал в своих предыдущих прогнозах. Январь 2025 года. До появления AGI остаётся ещё 5–10 лет. Возможно, для этого потребуется один или два технологических прорыва. Февраль 2026 года. Мы находимся на пороге очередного переломного момента, когда появление AGI становится всё более близкой перспективой. Возможно, он появится в течение ближайших пяти лет. Октябрь 2026 года. Теперь Хассабис ожидает появления AGI уже через 2–3 года. https://www.wsj.com/tech/ai/demis-hassabis-ai-deepmind-google-isomorphic-2b4e3153?st=qXvQgt&reflink=desktopwebshare_permalink 👉 @PythonPortal

DeepSeek открыла исходный код движка инференса, лежащего в основе кластера, который, по заявлению компании, обрабатывает 155 триллионов токенов в сутки. И это уже становится закономерностью. Ранее DeepSeek опубликовала FlashMLA, DeepGEMM, DeepEP и несколько других компонентов своей инфраструктуры инференса. Теперь компания открывает исходный код фреймворка, объединяющего значительную часть этих разработок. Проект называется DeepInfer. Это высокопроизводительный фреймворк для инференса, который используется в масштабных продакшен-сервисах DeepSeek. На данный момент он поддерживает DeepSeek-V4.1-Flash и включает несколько интересных оптимизаций для эффективного запуска крупных моделей с архитектурой Mixture-of-Experts (MoE). В реализации предусмотрен параллелизм экспертов (Expert Parallelism) с динамической балансировкой нагрузки. Это позволяет распределять MoE-экспертов между GPU и корректировать нагрузку при её неравномерном распределении. Для декодирования DeepInfer использует спекулятивное декодирование DSpark с проверкой, планируемой на основе оценок уверенности. Предварительные токены генерируются заранее, а оценки уверенности помогают определить, когда необходимо выполнить их проверку. Отдельного внимания заслуживает планировщик. Формирование батчей на CPU выполняется параллельно с вычислениями на GPU, что сокращает время простоя, обычно возникающее между этапами декодирования. Среди других возможностей: - Ограниченное повторное воспроизведение вычислений для Sliding Window Attention. - Инференс, результаты которого не зависят от состава батча. - Детерминированное семплирование. - Генерация с ограничениями на основе JSON Schema, регулярных выражений и грамматик EBNF. DeepSeek также опубликовала необычайно подробную документацию по развёртыванию, в которой объясняется, как её продакшен-система разделяет этапы prefill и decode, распределяет MoE-экспертов между большими группами GPU и повторно использует закэшированный контекст. Фреймворк поддерживает GPU NVIDIA с архитектурой SM100 и NPU Huawei Ascend 950. Однако есть важное ограничение: публичная версия пока поддерживает только офлайн-инференс. В неё не входят система KV-кэша, полноценное разделение prefill и decode, а также балансировка нагрузки, необходимые для работы полноценного онлайн-сервиса. Изначально DeepInfer разрабатывался преимущественно на базе vLLM с использованием отдельных идей из SGLang и TensorRT-LLM. Таким образом, это не полная копия продакшен-инфраструктуры DeepSeek. Тем не менее компания открыла доступ к значительной части своей реальной реализации инференса, которую разработчики теперь могут изучать, тестировать в бенчмарках и использовать в собственных проектах. Исходный код полностью открыт под лицензией Apache 2.0. 👉 @PythonPortal

Теперь я могу играть в полную версию GTA Vice City прямо в браузере с частотой 60 FPS. - Ничего не нужно скачивать. - Не нужно ждать. - Только GTA Vice City, оптимизированная до предела. - Игра полностью портирована для запуска в браузере. Всё это стало возможным благодаря миллиардам токенов, потраченных на работу с ИИ. Теперь игра загружается быстрее официальной версии и стабильно работает при 60 FPS. Попробовать: gta.rabisco.net 🤯 👉 @PythonPortal

«Calculus» Майкла Спивака считается одним из самых влиятельных учебников, знакомящих студентов с математическим анализом. Книга охватывает основы математического анализа, функции, пределы, непрерывность, дифференцирование, интегрирование, тригонометрические и показательные функции, бесконечные последовательности и ряды, а также многие другие темы. Особую ценность учебнику придаёт строгий, но при этом содержательный подход к изложению материала, а также обширный набор задач, призванных углубить понимание и показать взаимосвязи между математическими понятиями. Хотя книга не находится в свободном доступе, в Google Books можно ознакомиться с её предварительной версией. Особенно полезно это будет тем, кто ещё не знаком с этим выдающимся учебником. https://books.google.it/books?id=7JKVu_9InRUC&printsec=frontcover&hl=it#v=onepage&q&f=false 👉 @PythonPortal

Парень провёл реверс-инжиниринг своего телевизора с помощью Claude. - Воссоздал минималистичный главный экран в стиле Apple TV. - Удалил всю предустановленную рекламу и ненужное ПО. - Сократил потребление оперативной памяти на 70% и заметно ускорил работу телевизора. Для желающих попробовать доступна опенсорсная версия. 👉 @PythonPortal

Microsoft приобрела Maluuba за год до выхода GPT-1. Основатель компании признаётся, что сожалеет о продаже, поскольку Maluuba могла бы стать следующей OpenAI. Теперь та же команда специалистов по глубокому обучению вернулась с новым проектом Skyfall AI, и её первая модель — вовсе не очередная LLM. SKY-001 — первая инженерная world model. Достаточно передать ей текстовый промпт или примерный эскиз, и она спроектирует объект целиком, разберёт его на отдельные детали вплоть до винтиков, а затем воссоздаст в виде полноценного CAD-файла, который можно открыть в таких программах, как Autodesk Fusion. Согласно тестам компании, в задачах CAD и BIM модель работает в 100 раз быстрее и обходится в 150 раз дешевле, чем GPT-6 Astra. Обратите внимание на момент в видео, когда детали одна за другой соединяются в готовую конструкцию. 👉 @PythonPortal

Я думал, что понимаю, как работает загрузка GPU, пока не начал писать это руководство. Я постоянно смешивал три разных понятия: - Объём работы, который мы запускаем. - Объём работы, который фактически размещён на GPU. - Объём работы, готовый к выполнению прямо сейчас. Но это совершенно разные вещи. Возьмём CUDA-ядро с 240 блоками по 256 потоков в каждом. Всего получается 61 440 логических потоков, или 1920 варпов. Однако количество запущенных потоков ничего не говорит о том, сколько варпов может одновременно находиться на GPU. Блоки размещаются на потоковых мультипроцессорах (SM) с учётом доступных регистров, разделяемой памяти и ограничений на количество потоков, варпов и блоков. Даже после размещения на SM варп может ожидать завершения операции с памятью, разрешения зависимости между арифметическими операциями или синхронизации. Планировщик может выбирать только те варпы, которые действительно готовы к выдаче инструкций на выполнение. Это изменило и мой подход к анализу показателей производительности. Occupancy — показатель, отражающий отношение количества активных варпов на SM к максимально поддерживаемому количеству варпов на этом SM. GPU utilization измеряет другое. В NVML этот показатель отражает долю интервала измерения, в течение которой выполнялось хотя бы одно CUDA-ядро. Таким образом, GPU может показывать загрузку 100%, даже если Tensor Cores не используются на полную мощность, пропускная способность HBM не исчерпана, а производительность ограничивается одним из компонентов системы. При этом значительная часть ресурсов GPU может оставаться недозагруженной. С памятью возникают похожие заблуждения. Регистры, разделяемая память, L1, L2 и HBM — это не просто уровни памяти, последовательно отличающиеся скоростью. У каждого из них свои области доступности, ёмкость, особенности управления и способы доступа. Если модель помещается в HBM, это означает лишь то, что для неё достаточно видеопамяти. Но практически ничего не говорит о том, сколько байтов приходится передавать, насколько эффективно объединяются обращения к памяти, как часто данные используются повторно и действительно ли память ограничивает производительность CUDA-ядра. Хороший пример — FlashAttention. Алгоритм вычисляет точный механизм внимания (attention), но использует разбиение на блоки (tiling) и повторные вычисления, чтобы сократить объём передачи данных между HBM и внутренней памятью GPU. Tensor Cores оказались ещё одной технологией, которую я раньше воспринимал слишком упрощённо. Это специализированные вычислительные блоки для матричных операций умножения с накоплением, играющие огромную роль в задачах ИИ. Однако они не «выполняют модель» целиком. Операции редукции, индексации, поэлементные вычисления, синхронизация и перемещение данных по-прежнему задействуют другие компоненты GPU. Кроме того, запуск CUDA-ядер тоже создаёт дополнительные накладные расходы. Со временем я перестал спрашивать себя: «Почему GPU не загружен на 100%?» Вместо этого я начал задавать более правильный вопрос: «Что именно сейчас ограничивает скорость выполнения полезной работы?» В итоге всё это превратилось в руководство на 42 страницы. В нём рассматриваются потоковые мультипроцессоры (SM), варпы и планировщики, иерархия памяти и скрытие задержек, Tensor Cores, распределение вычислений GEMM по аппаратным ресурсам GPU, точность вычислений и показатели производительности, которые очень легко интерпретировать неправильно. https://drive.google.com/file/d/17tyvxr__8vZ6o995GNq6I5PC5JOiv0ql/view 👉 @PythonPortal

Новая библиотека для создания SVG-диаграмм. Она называется Pele и представляет собой альтернативу Mermaid. ✓ Настройка с помощью CSS-переменных ✓ Размер всего около 230 КБ (Mermaid занимает более 1 МБ) ✓ Мгновенный рендеринг Разработана командой Obsidian: → github.com/obsidianmd/pele 👉 @PythonPortal

Что спрашивают на ML и Data Science собеседованиях в Яндексе, Авито и других BigTech-компаниях? Знаний Python, pandas и NumPy недостаточно, чтобы уверенно пройти все этапы отбора. На технических секциях могут проверить алгоритмы, статистику, машинное обучение и умение решать практические задачи. Ребята из Поступашек собирают реальные материалы с собеседований и делятся опытом кандидатов и интервьюеров крупных IT-компаний. Сохраняйте подборку: — Полный разбор ML-собеседований в Яндексе — Разборы DS-собеседований в Яндексе, Авито, МТС и X5 — Банк задач с алгоритмических собеседований — Задачи прошлых лет из ШАД и Академии Авито В Поступашках также пишут про стажировки, рынок ML, карьерный рост и поступление в сильные магистратуры. ПОДПИСАТЬСЯ НА ПОСТУПАШКИ

Не теряющий актуальности материал — «Введение в распределённые системы» (An Introduction to Distributed Systems) Кайла Кингсбери. https://github.com/aphyr/distsys-class 👉 @PythonPortal

‼️Линус Торвальдс назвал запреты на использование ИИ-инструментов для написания кода «ПОЛНЕЙШЕЙ ГЛУПОСТЬЮ» в рассылке разработчиков ядра Linux. По его словам, люди, которых он уважает и считает умными, не боятся пользоваться новыми инструментами. 👉 @PythonPortal

Вот это действительно хорошая модель для генерации изображений. MOSS Image с 5 млрд параметров, распространяемая по лицензии Apache 2.0. Уже сейчас модель практически не ограничена цензурой! https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT 👉 @PythonPortal

«Введение в теорию вероятностей» (Introduction to Probability) Чарльза Гринстеда и Дж. Лори Снелла — университетский учебник, опубликованный Американским математическим обществом и ставший классическим пособием для изучения теории вероятностей. Книга объёмом более 500 страниц предлагает всестороннее изучение теории вероятностей, сочетая строгие математические основы с доступными объяснениями, подробными примерами решения задач, упражнениями и компьютерным моделированием. В учебнике рассматриваются дискретные и непрерывные распределения вероятностей, условная вероятность, независимость событий, математическое ожидание, дисперсия, закон больших чисел, центральная предельная теорема, цепи Маркова и случайные блуждания. Полная версия учебника доступна бесплатно в интернете. https://chance.dartmouth.edu/teaching_aids/books_articles/probability_book/amsbook.mac.pdf

API для извлечения данных с любых сайтов, даже защищённых CAPTCHA или блокирующих ботов. - /scrape — извлекает и разбирает содержимое страницы. - /crawl — обходит сайт, переходя по ссылкам. - /search — выполняет поиск в реальном времени. - /map — собирает список URL-адресов. 10 000 запросов в месяц бесплатно и без привязки банковской карты. → https://midu.link/decodo 👉 @PythonPortal