devdigest // data science
前往频道在 Telegram
Про искусственный интеллект, большие данные и квантовые вычисления. Все каналы проекта: https://t.me/devdigestplatform/163
显示更多703
订阅者
无数据24 小时
无数据7 天
无数据30 天
正在加载数据
标签云
无数据
有任何问题?请刷新页面或联系我们的客服。
进出提及
---
---
---
---
---
---
吸引订阅者
十月 '2610月 '26
十月 '26
+3
在0个频道中
九月 '260
在0个频道中
Get PRO
八月 '260
在0个频道中
Get PRO
七月 '260
在0个频道中
Get PRO
六月 '260
在0个频道中
Get PRO
五月 '260
在0个频道中
Get PRO
四月 '260
在0个频道中
Get PRO
三月 '260
在0个频道中
Get PRO
二月 '260
在0个频道中
Get PRO
一月 '260
在0个频道中
Get PRO
十二月 '250
在0个频道中
Get PRO
十一月 '250
在0个频道中
Get PRO
十月 '250
在0个频道中
Get PRO
九月 '250
在0个频道中
Get PRO
八月 '250
在0个频道中
Get PRO
七月 '250
在0个频道中
Get PRO
六月 '250
在0个频道中
Get PRO
五月 '250
在0个频道中
Get PRO
四月 '25
+6
在0个频道中
Get PRO
三月 '25
+3
在0个频道中
Get PRO
二月 '25
+5
在0个频道中
Get PRO
一月 '25
+20
在3个频道中
Get PRO
十二月 '24
+9
在2个频道中
Get PRO
十一月 '24
+4
在1个频道中
Get PRO
十月 '24
+3
在0个频道中
Get PRO
九月 '24
+4
在2个频道中
Get PRO
八月 '24
+5
在1个频道中
Get PRO
七月 '24
+9
在2个频道中
Get PRO
六月 '24
+5
在1个频道中
Get PRO
五月 '24
+4
在0个频道中
Get PRO
四月 '24
+7
在1个频道中
Get PRO
三月 '24
+7
在1个频道中
Get PRO
二月 '24
+2
在0个频道中
Get PRO
一月 '24
+12
在0个频道中
Get PRO
十二月 '23
+17
在0个频道中
Get PRO
十一月 '23
+12
在2个频道中
Get PRO
十月 '23
+8
在0个频道中
Get PRO
九月 '23
+14
在0个频道中
Get PRO
八月 '23
+7
在0个频道中
Get PRO
七月 '23
+11
在0个频道中
Get PRO
六月 '23
+509
在0个频道中
Get PRO
五月 '23
+5
在0个频道中
Get PRO
四月 '23
+8
在0个频道中
Get PRO
三月 '23
+5
在0个频道中
Get PRO
二月 '23
+12
在0个频道中
Get PRO
一月 '23
+7
在0个频道中
Get PRO
十二月 '22
+5
在0个频道中
Get PRO
十一月 '22
+7
在0个频道中
Get PRO
十月 '22
+13
在0个频道中
Get PRO
九月 '22
+5
在0个频道中
Get PRO
八月 '22
+11
在0个频道中
Get PRO
七月 '22
+14
在0个频道中
Get PRO
六月 '22
+94
在0个频道中
Get PRO
五月 '22
+5
在0个频道中
Get PRO
四月 '22
+2
在0个频道中
Get PRO
三月 '22
+6
在0个频道中
Get PRO
二月 '22
+2
在0个频道中
Get PRO
一月 '22
+7
在0个频道中
Get PRO
十二月 '21
+6
在0个频道中
Get PRO
十一月 '21
+8
在0个频道中
Get PRO
十月 '21
+8
在0个频道中
Get PRO
九月 '21
+11
在0个频道中
Get PRO
八月 '21
+13
在0个频道中
Get PRO
七月 '21
+8
在0个频道中
Get PRO
六月 '21
+7
在0个频道中
Get PRO
五月 '21
+4
在0个频道中
Get PRO
四月 '21
+13
在0个频道中
Get PRO
三月 '21
+10
在0个频道中
Get PRO
二月 '21
+13
在0个频道中
Get PRO
一月 '21
+15
在0个频道中
Get PRO
十二月 '20
+898
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 31 十月 | 0 | |||
| 30 十月 | 0 | |||
| 29 十月 | 0 | |||
| 28 十月 | 0 | |||
| 27 十月 | 0 | |||
| 26 十月 | +1 | |||
| 25 十月 | +1 | |||
| 24 十月 | 0 | |||
| 23 十月 | 0 | |||
| 22 十月 | 0 | |||
| 21 十月 | 0 | |||
| 20 十月 | 0 | |||
| 19 十月 | 0 | |||
| 18 十月 | 0 | |||
| 17 十月 | 0 | |||
| 16 十月 | 0 | |||
| 15 十月 | 0 | |||
| 14 十月 | 0 | |||
| 13 十月 | +1 | |||
| 12 十月 | 0 |
频道帖子
⚡️ Python 3.15: lazy import, распаковка в comprehension и сэмплирующий профилировщик
Вышел Python 3.15, и три вещи в нём стоит попробовать на этой неделе. Первая — PEP 810: lazy import json и lazy from pathlib import Path загружают модуль при первом обращении. Мотивация у Саймона Уиллисона из его LLM CLI: плагины, импортирующие sentence_transformers, добавляли несколько секунд к каждому запуску — типичная боль любого Python-CLI с тяжёлым ML-стеком.
Вторая — PEP 798, распаковка внутри comprehension: [*L for L in lists], {*s for s in sets}, {**d for d in dicts}. Больше не нужен itertools.chain, чтобы сплющить список списков. Третья — профилирование: cProfile переименован в profiling.tracing, а рядом появился сэмплирующий профилировщик Tachyon в profiling.sampling с flame graph, heat map и экспортом в формат Firefox Profiler; к живому процессу он цепляется через python -m profiling.sampling attach PID (на macOS потребовался sudo).
По скорости, по замерам Мигеля Гринберга на rc3, 3.15 примерно равен 3.14; экспериментальный JIT дал 1.2x на Фибоначчи. Заодно 3.10 ушёл в EOL — библиотекам теперь можно опираться на tomllib, asyncio.TaskGroup и timeout(), datetime.UTC. Ставится через uv python install 3.15, и 3.15.0 уже есть в actions/python-versions.
👉🏻 Канал | 💬 Чат | 📕 Каталог
| 2 | ⚡️ ThinkingBox-Bench: 67% провалов агентов выглядят как успех — ни одной ошибки инструмента, но база неверна
Microsoft Copilot Studio выложил бенчмарк, где агента оценивают не по его отчёту, а по конечному состоянию бэкенда: 507 бизнес-процессов (ритейл, автострахование, тревел, необанк, консалтинг), каждый по 20 прогонов с чистой базы, изолированная MCP-сессия на попытку.
Главная цифра: из 79 853 провальных попыток 67.24% завершились «чисто» — с вызовом, меняющим состояние, и без единой ошибки инструмента. Агент сказал «готово», а в базе: неверные значения полей (77.6%), лишние побочные эффекты (43.3%), пропущенные обязательные действия (25.4%). pass@1 у лучших — Claude Opus 5.5 67.16%, Opus 5 66.50%, GPT-5.4 65.36%; лучший open-weight Kimi-K3 — 57.37%. Разрыв между «решил хоть раз» и «решил 20 из 20» огромен: Kimi-K3 решает 93.9% задач хотя бы однажды, но стабильно — только 13.4%; у Opus 5 — 79.1% против 47.5%. Автострахование — самый тяжёлый домен, 33.8% в среднем.
Стоимость за стабильно решённую задачу (20/20): GPT-5.4 $6.80, GPT-6 Astra $7.45, Opus 5.5 $7.80 — по списочным ценам OpenRouter на 20 сентября, задачи синтетические. Код MIT, данные CDLA-Permissive-2.0, есть OpenEnv-окружение; нужны Python 3.11+, uv, Docker и Typesense 30.1.
Практический вывод простой: eval, который читает финальный ответ агента, измеряет красноречие. Проверяйте состояние.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 97 |
| 3 | ⚡️ Polars 2.0: streaming-движок по умолчанию, спилл на диск с 80% RAM и быстрее DuckDB почти везде
Вышел Polars 2.0, и это мажор не ради красоты: collect() у LazyFrame теперь по умолчанию идёт через streaming-движок, а он не гарантирует порядок строк для join, group_by и unpivot без maintain_order=True. Если у вас тесты сравнивают датафреймы построчно — вот что сломается первым.
Out-of-core включён по умолчанию: при ~80% занятой памяти Polars начинает сбрасывать на диск, дефолтный бюджет 64 ГБ; работает для sort, оконных функций и большинства выражений, join и group_by вне памяти — в планах. Новый тип Map отображает Arrow MapType напрямую (раньше читался как List(Struct)), с выражениями map.get, map.contains_key, map.keys. Неявная подгонка типов стала opt-in, а collect_schema() ловит несоответствия схем без материализации — авторы прямо пишут, что это для агентов, которые быстро итерируют код.
Бенчмарки на TPC-H и TPC-DS против DuckDB 1.5.6, DuckDB 2.0 alpha и DataFusion 54 на c7a.4xlarge и c7a.metal: «Polars по умолчанию был быстрее на всех бенчмарках, кроме одного». Масштабирование с 16 до 192 vCPU на SF100 — 3.8x у Polars против 3.2x у DuckDB. Подвох указан честно: на малых данных 192 потока дают накладные расходы, и на SF10 DuckDB быстрее в 1.3–1.8 раза. Гайд по апгрейду — в документации, раздел releases/upgrade/2.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 120 |
| 4 | ⚡️ Ценовая война моделей: GPT-6 Luna вдвое дешевле прошлой Luna, Opus 5.5 — минус 20%
На неделе почти одновременно вышли Claude Opus 5.5, GPT-6 Sol и GPT-6 Luna — и главное в них не reasoning-бенчмарки, а цены. GPT-6 Luna — $0.10/$0.50 за миллион токенов вход/выход, вдвое дешевле GPT-5.6 Luna. GPT-6 Sol — $2/$10, тоже вдвое дешевле предшественника. Opus 5.5 подешевел скромнее, на 20%, до $4/$20, но у кэшированного входа скидка сразу 60%. Саймон Уиллисон отдельно замечает: у GPT-5.6 в ноябре было запланировано повышение цены на 25% — то есть GPT-6 в реальности вдвое дешевле не текущей, а будущей цены предшественника.
При этом не всё однозначно с качеством: по его же тестам, Opus 5.5 на reasoning-уровне max в одной из задач ушёл в бесконечные раздумья, потратил впустую весь лимит выходных токенов и не выдал результата вообще — максимальный reasoning не значит «максимально надёжный результат», иногда это просто максимальный счёт.
Если гоняете модели через Microsoft Foundry (см. на этой неделе //azure, там ровно эти модели с прайсингом по регионам) — самое время пересчитать cost per task с новыми числами, а не полагаться на прошлые расчёты.
Вы уже пересчитывали свой стек под новые цены, или ждёте следующего раунда снижений?
👉🏻 Канал | 💬 Чат | 📕 Каталог | 190 |
| 5 | ⚡️ Shopify сжал провалы прод-агента в веса модели и срезал стоимость инференса на 96%
Shopify построил continual learning loop на PyTorch и vLLM: вместо того чтобы бесконечно раздувать промпт правилами на каждый новый провал агента в проде, команда компрессирует эти провалы прямо в веса модели через дообучение. Пайплайн — supervised fine-tuning на исправленных траекториях, GRPO reinforcement learning поверх этого и отдельно prompt compression, чтобы не тащить контекст, который SFT уже «зашил» в веса.
Результат — не просто дешевле: качество получилось выше, чем у моделей уровня frontier, при экономии 96% на инференсе. Смысл именно в цикле: провал → траектория с исправлением → дообучение → модель меньше и дешевле, но не наступает на те же грабли — а не в разовом файнтюне под конкретный релиз.
Практический вывод для тех, кто гоняет агентов в проде на дорогой frontier-модели просто потому что она реже ошибается: если ошибки воспроизводимы и их можно собрать в датасет, continual learning loop может оказаться дешевле, чем платить за reasoning на каждый запрос.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 191 |
| 6 | ⚡️ Transformers научился грузить GGUF-квантованные модели llama.cpp напрямую
Hugging Face встроил поддержку GGUF в Transformers: теперь квантованные под llama.cpp модели грузятся привычным from_pretrained, без отдельного рантайма — пока для Apple Silicon и архитектуры Qwen3.5 (dense и MoE). Под капотом — не своя реализация, а Metal-кернелы ggml через библиотеку kernels: отдельные кернелы под квантование (читают упакованные веса, не разворачивая их в полную матрицу), под нормализацию (слитый RMSNorm) и под attention (flash attention на prefill и decode), плюс оптимизации генерации — ранний сброс лишних attention mask и отложенная проверка условий остановки, чтобы реже синхронизировать CPU и GPU.
Цифры: Qwen3.5-4B в BF16 весит 8.42 ГБ, в Q4_K_M — 2.74 ГБ, Q5_K_M — 3.14 ГБ, Q6_K — 3.53 ГБ. На MacBook Pro M2 Max throughput на всех трёх чекпоинтах вышел близко к llama.cpp напрямую.
model = AutoModelForCausalLM.from_pretrained('unsloth/Qwen3.5-4B-GGUF', gguf_file='Qwen3.5-4B-Q4_K_M.gguf') — и модель, скачанная как GGUF-квант, гоняется через весь привычный API Transformers, а не через отдельный llama.cpp-биндинг. Нужны Apple Silicon, PyTorch 2.x (две последние версии) и свежие Transformers и kernels.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 187 |
| 7 | ⚡️ Workflow1111: интерфейс AUTOMATIC1111 пересобран на 73 узлах gr.Workflow
Команда Gradio пересобрала большую часть функциональности AUTOMATIC1111 как один граф: одиннадцать медиапайплайнов, 73 узла и ни одной своей GPU.
Узлы бывают четырёх видов: fn — обычная функция на Python, model — вызов модели через InferenceClient, space — чужой Space на Hub, dataset — строка из датасета. Из них собраны txt2img с записью параметров генерации в PNG-метаданные, hi-res fix и img2img через FLUX.1-Kontext, генерация промпта на Qwen3-4B, интеррогейт картинки через Qwen2.5-VL и ViT, маска для inpaint из детекций DETR, prompt matrix, апскейл локальным Lanczos и через AuraSR, удаление фона через BRIA RMBG-2.0, PNG Info и image-to-video на Wan 2.2.
Интересна арифметика автономности: из 36 операторных узлов 32 — это fn, и 22 из них работают в процессе без сетевых вызовов. Две трети холста продолжают работать без интернета, а раз это обычные функции, их можно тестировать без канваса, сервера и GPU. Параллелизм получается бесплатно: узлы на одной глубине зависимостей стартуют одновременно, поэтому четыре варианта prompt matrix генерируются разом.
Главное отличие от ComfyUI даже не в этом. Каждый выходной узел автоматически становится типизированным REST-эндпоинтом, а при запуске с mcp_server=True — ещё и MCP-инструментом, который дёргает Claude Code или Cursor. Кастомный узел здесь просто функция на Python.
Если бы вы собирали такой пайплайн сегодня — ComfyUI или gr.Workflow?
👉🏻 Канал | 💬 Чат | 📕 Каталог | 184 |
| 8 | ⚡️ Granite PatchTST-FM-r2: zero-shot прогноз временных рядов под Apache 2.0
IBM выпустила Granite Time Series PatchTST-FM-r2 — модель примерно на 385M параметров для zero-shot прогнозирования временных рядов, под двойной лицензией Apache 2.0 и OpenMDW 1.0.
На бенчмарке GIFT-Eval среди воспроизводимых zero-shot моделей она вторая по CRPS и MASE, 0.467 и 0.6846 по геометрическому среднему, и первая среди моделей с разрешительной лицензией по состоянию на 8 сентября. Если добавить в сравнение pretrained-модели, которым разрешено видеть тренировочные части оценочных датасетов, r2 остаётся третьей по CRPS и четвёртой по MASE, обходя Chronos-2, Timer-S1 и варианты Toto, хотя часть конкурентов заметно крупнее.
Что изменилось относительно r1: обычные трансформерные блоки заменены на conformer-блоки, где к multi-head attention добавлена темпоральная свёртка с чередующимися ядрами 5, 5, 3, 3. Свёртка забирает короткие зависимости, внимание концентрируется на дальних. Плюс патчи с 50-процентным перекрытием и окном Хэмминга, тридцать блоков вместо двадцати, контекст до 8192 шагов и 99 квантилей на выходе, то есть сразу и точечный прогноз, и интервалы.
Отдельно описан пре-тренировочный корпус: GiftEvalPretrain, синтетика на KernelSynth, TSMixup вне оценочных датасетов и около 500 тысяч последовательностей CauKer. Для enterprise такая прозрачность нередко важнее лишних пунктов в лидерборде. Ставится через pip install granite-tsfm, дальше pipeline на несколько строк, без дообучения.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 141 |
| 9 | ⚡️ funes: память для coding-агентов, собранная из их же сессионных трейсов
Hugging Face выложила funes — слой памяти для coding-агентов, который строится из сессий, уже лежащих у вас на диске. Поддержаны Claude Code, Codex, pi и Hermes.
Идея простая: агент во время работы уже пишет плотный отчёт о том, что он пробовал, где ошибся и почему передумал. Но грепом по десяти тысячам ходов вопрос «почему мы ушли от стримингового парсера» не решается. funes парсит трейсы в единую форму, чанкует, эмбеддит локальной моделью и пишет в датасет Lance. Запрос — это вектор плюс BM25, слияние рангов, реранкер на кросс-энкодере, перевзвешивание по свежести и добор соседних чанков. Ставится одним бинарником, подключается командой funes add claude, после чего у агента появляются инструменты recall и get, а каждый завершённый ход индексируется автоматически. recall возвращает исходный текст, а не пересказ, и показывает агента, сессию, ход и время.
Память можно привязать к приватному датасету на Hub, тогда она переезжает между машинами и агентами: решение, принятое в Claude Code, вспоминается в Codex. Credentials вырезаются при индексации и проверяются ещё раз при публикации.
На бенчмарке handoff-vs-recall выигрыш не только в удобстве: recall оказался в 8 и в 4 раза дешевле написанного вручную хэндоффа на двух задачах, а компакция на одной из них просто потеряла нужные находки при суммаризации. В комментариях к анонсу есть и независимый замер на 19 тысячах реальных сессий, там hit@1 составил 9 из 100 на дефолтах и 19 из 100 с отключённым 30-дневным half-life — стоит иметь в виду, если ваша история старше месяца.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 166 |
| 10 | ⚡️ PyTorch 2.14: NVGEMM, бэкенд nccl2 и отказоустойчивость внутри c10d
Вышел PyTorch 2.14 — 2 995 коммитов от 487 контрибьюторов. Главные темы: новый GEMM-бэкенд и распределённое обучение.
NVGEMM — бэкенд на CuTeDSL, который сам выбирает быстрейшее ядро для GEMM, с epilogue fusion и форматами вроде NVFP4 (только Blackwell). Включается через max_autotune_gemm_backends, требует nvidia-cutlass-dsl 4.6.0. nccl2 — новый in-tree бэкенд c10d из torchcomms: eager-only, one-sided RMA-окна, suspend/resume с offload памяти. Fault tolerance стала частью c10d: перенастройка process group без рестарта кластера, abort-хуки, Flight Recorder работает и с Gloo. В torch.compile — динамические формы через @dynamic_spec, torch.switch для MoE, compile-on-one-rank. На Apple Silicon Cholesky быстрее в 1.2–2.8x, lu_factor — более чем в 100x на мелких батчах. Overlap коммуникации и вычислений в Inductor включён по умолчанию.
Подвох: Python 3.15 поддержан только в eager, torch.compile бросает RuntimeError; ROCm 7.1 выброшен.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 153 |
| 11 | ⚡️ 100 шагов GRPO на бесплатном Colab подняли structured output у 350M-модели на 7 пунктов
Hugging Face показала, как за 100 шагов GRPO в TRL научить LiquidAI/LFM2.5-350M отдавать валидный JSON: на бенчмарке IFStruct результат вырос с 22.6% до 29.7%, по JSON — с 18.0% до 31.9%. Всё на 16 GB GPU бесплатного Colab или Kaggle.
Данные — около 500 примеров из nvidia/Nemotron-RL-instruction_following-structured_outputs: к 40% добавлена инструкция «верни в fenced code block», ещё 20% превращены в задачи с top-level массивом. Награда из трёх функций на шкале [0, 1]: json_format_reward (1.0 за нужную форму, 0.2 за парсящуюся, но не ту), field_count_reward с линейным штрафом за промах по числу полей и schema_validation_reward по JSON Schema, веса 1.0 / 0.5 / 2.0. GRPO: 8 генераций на промпт, lr 5e-5, temperature 1.1, beta 0.01, LoRA r=16 — учится около 6M параметров, 1.66% модели.
Честная деталь: YAML почти не сдвинулся (27.2% → 27.5%), а Qwen3.5-2B всё равно выше с 33.15%. Но рецепт переносится: если маленькая модель на edge «почти» отдаёт JSON — три reward-функции и вечер на Colab дешевле, чем менять модель.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 170 |
| 12 | ⚡️ Обзор языков и фреймворков квантового программирования в 2026 году
The Quantum Insider опубликовал обзор экосистемы квантового программирования в 2026 году. Квантовая разработка сегодня принципиально отличается от классической: алгоритмы вероятностны, измерение «схлопывает» состояние и не даёт свободно отлаживать код, а нынешние процессоры ограничены 50–300 кубитами.
В обзоре разобраны основные фреймворки — Qiskit от IBM как самый распространённый, Cirq от Google, PennyLane для квантового машинного обучения, Q# от Microsoft для Azure Quantum, CUDA-Q от NVIDIA, Amazon Braket SDK и другие.
Среди ключевых трендов — доминирование Python как общего языка, работа senior-разработчиков сразу с несколькими фреймворками, аппаратные слои абстракции и ускорение на GPU.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 232 |
| 13 | 没有文字... | 0 |
| 14 | ⚡️ Haiqu применила квантовую оптимизацию к проектированию беспроводных сетей
Украинский стартап Haiqu, разрабатывающий квантовое ПО для эффективного использования существующих «шумных» квантовых процессоров, представил новый алгоритм DCA для оптимизации беспроводных сетей.
Алгоритм решает задачу связного доминирующего множества — найти наименьшее число устройств-ретрансляторов, через которые идёт трафик, чтобы вся mesh-, IoT- или ad-hoc-сеть оставалась связной. Вместо поиска идеального решения сразу алгоритм постепенно улучшает уже найденный вариант. Тест провели на 156-кубитном процессоре IBM Quantum Kingston на графе из 73 узлов: DCA стабильно превосходил стандартный LR-QAOA и находил компактнее «костяк» сети.
Оптимизация под особенности процессора почти втрое сократила число сложных операций и глубину вычислений. Алгоритм также переиспользует настроенные параметры от малых задач для больших. Результаты представят на конференции IEEE ICCCN.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 782 |
| 15 | ⚡️ OpenAI снизила цены на модели GPT-5.6 Luna и Terra
OpenAI объявила о снижении цен на модели семейства GPT-5.6: самая быстрая и доступная Luna подешевела на 80%, а сбалансированная Terra — на 20%.
С 30 июля API-тарифы составляют $0,20 за миллион входных и $1,20 за миллион выходных токенов для Luna и $2 / $12 — для Terra; цена флагманской Sol не меняется.
По данным компании, Luna обеспечивает интеллект уровня прежних топовых моделей примерно за 6% стоимости задачи и почти в девять раз быстрее. Одновременно в API появился режим Fast mode, заменяющий Priority Processing: для GPT-5.6 Sol он даёт до 2,5× выше скорость за двойную цену без изменения качества.
Снижение цен также отражается в расходовании квот в Codex и ChatGPT Work и вскоре появится в AWS.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 179 |
| 16 | ⚡️ Microsoft выпустила QDK 1.30 с ускорением компиляции квантовых программ
Microsoft выпустила версию 1.30 Quantum Development Kit (QDK) — платформы для разработки квантовых программ, которая компилирует код с языков Q#, OpenQASM и Qiskit в промышленный формат QIR. Главное нововведение — расширенные возможности профиля Adaptive: прямое выражение циклов без разворачивания, вызовы функций без инлайнинга и поддержка неограниченных циклов вроде «repeat-until-success». В отдельных случаях это на порядки сокращает время компиляции и размер программы. Также добавлены новые быстрые исправления в редакторе (автоимпорт и преобразование кубитов в массивы) и настраиваемые политики потери кубитов в моделях шума для двухкубитных операций. Всего релиз включает более 40 объединённых pull-запросов с улучшениями генерации QIR, поддержки компилятора Stim и системы типов.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 223 |
| 17 | 🎥 Лекция Microsoft об инженерном пути к квантовому компьютеру промышленного масштаба
Microsoft опубликовала лекцию образовательной серии «Building the Modern Quantum Architecture», посвящённой инженерному пути к квантовому компьютеру промышленного масштаба — способному решать задачи, недоступные классическим машинам.
Ведущий, технический сотрудник Microsoft доктор Маттиас Тройер, объясняет, почему наиболее перспективные применения лежат в области химии и материаловедения — от более совершенных аккумуляторов до экологичных хладагентов, — и как квантовые вычисления будут работать вместе с ИИ и высокопроизводительными вычислениями (HPC) для ускорения научных открытий.
👉🏻 Канал | 💬 Чат | 📕 Каталог | 632 |
| 18 | Ловим очередной подарок от Anthropic — доступ к Fable 5 продлили до 12 июля!
🚀 Подписаться | 245 |
| 19 | 🧬 Fable 5 возвращается
И еще немного хороших новостей от Anthropic — модель Fable 5, которую ранее правительство США запретило использовать за пределами соединены штатов, снова доступна!
До 7 июля эту модель можно использовать в рамках текущего тарифа, но есть ограничение — на Fable 5 можно потратить не более 50% недельного лимита.
После исчерпания этого лимита работать с Fable 5 тоже можно, но уже за usage credits (а это платные кредиты, которые нужно дополнительно докупать).
Anthropic также предупреждает, что Fable 5 расходует лимит гораздо быстрее, чем Opus.
🚀 Подписаться | 284 |
| 20 | 🔬 Anthropic представила Claude Science
Начнем день с хороших новостей. Anthropic запустила специализированную версию Claude для научной работы. Это единая рабочая среда, в которой можно искать и анализировать научные статьи, работать с данными, запускать вычисления на локальном компьютере или в кластере, строить графики и сразу готовить публикации.
Похоже, следующую научную статью я буду готовить уже с Claude Science. Очень интересно проверить, насколько этот инструмент действительно способен сократить время на поиск литературы, анализ данных и подготовку публикации. Хотя, если честно, сомнений в результате у меня практически нет — Anthropic уже не раз показывала, что умеет делать действительно сильные специализированные продукты.
На мой взгляд, это один из самых интересных трендов последних месяцев. Мы постепенно переходим от концепции «универсального ИИ-чатбота» к специализированным инструментам для профессионалов: отдельные решения для программистов, дизайнеров, врачей, ученых, юристов. И именно такие продукты, скорее всего, будут приносить максимальную практическую пользу.
Сейчас Claude Science доступен в статусе бета-версии для пользователей Claude Pro, Max, Team и Enterprise на macOS и Linux. Попробовать его можно, если у вас есть подписка Claude Pro или выше.
🚀 Подписаться | 212 |
