网络:2 136
订阅者
+124 小时
-17 天
-1230 天
正在加载数据
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十月 '2610月 '26
十月 '26
+2
在0个频道中
九月 '260
在0个频道中
Get PRO
八月 '260
在1个频道中
Get PRO
七月 '26
+7
在0个频道中
Get PRO
六月 '26
+18
在0个频道中
Get PRO
五月 '26
+25
在0个频道中
Get PRO
四月 '26
+22
在0个频道中
Get PRO
三月 '26
+29
在0个频道中
Get PRO
二月 '26
+22
在0个频道中
Get PRO
一月 '26
+27
在0个频道中
Get PRO
十二月 '25
+34
在0个频道中
Get PRO
十一月 '25
+25
在0个频道中
Get PRO
十月 '25
+96
在0个频道中
Get PRO
九月 '25
+126
在1个频道中
Get PRO
八月 '25
+79
在0个频道中
Get PRO
七月 '25
+79
在1个频道中
Get PRO
六月 '25
+22
在0个频道中
Get PRO
五月 '25
+128
在0个频道中
Get PRO
四月 '25
+318
在0个频道中
Get PRO
三月 '25
+505
在0个频道中
Get PRO
二月 '25
+111
在4个频道中
Get PRO
一月 '25
+70
在0个频道中
Get PRO
十二月 '24
+40
在0个频道中
Get PRO
十一月 '24
+155
在0个频道中
Get PRO
十月 '24
+27
在0个频道中
Get PRO
九月 '24
+46
在0个频道中
Get PRO
八月 '24
+32
在0个频道中
Get PRO
七月 '24
+31
在0个频道中
Get PRO
六月 '24
+39
在2个频道中
Get PRO
五月 '24
+65
在0个频道中
Get PRO
四月 '24
+50
在0个频道中
Get PRO
三月 '24
+74
在0个频道中
Get PRO
二月 '24
+85
在1个频道中
Get PRO
一月 '24
+92
在0个频道中
Get PRO
十二月 '23
+90
在0个频道中
Get PRO
十一月 '23
+91
在1个频道中
Get PRO
十月 '23
+97
在0个频道中
Get PRO
九月 '23
+90
在0个频道中
Get PRO
八月 '23
+100
在0个频道中
Get PRO
七月 '23
+86
在0个频道中
Get PRO
六月 '23
+114
在0个频道中
Get PRO
五月 '23
+40
在0个频道中
Get PRO
四月 '23
+45
在0个频道中
Get PRO
三月 '23
+203
在0个频道中
Get PRO
二月 '23
+219
在0个频道中
Get PRO
一月 '23
+1 377
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 30 十月 | 0 | |||
| 29 十月 | +1 | |||
| 28 十月 | 0 | |||
| 27 十月 | +1 | |||
| 26 十月 | 0 | |||
| 25 十月 | 0 | |||
| 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 | 0 |
频道帖子
Модель OpenAI опровергла ETH и взялась за задачу тысячелетия
OpenAI заявила о трех открытиях своих моделей: опровержении ETH, доказательстве гипотезы Какея и существовании теории Янга-Миллса.
OpenAI опубликовала сразу три результата, которые получили ее внутренние модели: в гармоническом анализе, теории сложности и квантовой теории поля. Каждый из них, если подтвердится, закрывает вопрос, над которым специалисты бились десятилетиями. Сама компания называет эти рукописи «сырыми исследовательскими данными» и впервые отдает их на разбор внешним группам ученых.
https://uproger.com/openai-eth-yang-mills-kakeya/
| 2 |  ⚙️ Почему код тормозит, даже если алгоритм хороший?
Причина может скрываться в промахах кэша, предсказании ветвлений, расположении данных или конкуренции потоков за память.
CPU Performance Engineering собирает материалы, которые помогают разобраться в этих ограничениях. Путь идёт от выполнения одной инструкции до запуска ИИ-моделей на CPU.
Внутри:
• Микроархитектура процессоров x86 и Arm.
• Кэши, память, NUMA и false sharing.
• Профилирование, perf и flame graphs.
• SIMD, векторизация и оптимизации компилятора.
• Многопоточность и задержки под нагрузкой.
• Инференс моделей и квантизация.
В 14 разделах есть воспроизводимые бенчмарки на C: исходники, команды сборки, результаты и разбор. Можно проверить поведение на своём железе.
Подборка опирается на первоисточники: статьи, документацию и измерения. Есть и MCP-сервер для подключения материалов к ИИ-ассистенту.
https://github.com/usamahz/cpu-performance-engineering | 195 |
| 3 | Зачем готовиться к собеседованию вслепую, если можно заранее посмотреть, какие будут вопросы и задачи?
Ребята из Поступашек уже 6 лет собирают реальные задания и разборы собеседований в BigTech. Там можно найти не только сами вопросы, но и разборы технических секций, критерии оценки и рекомендации по подготовке.
Собрали подборку полезных материалов под разные направления:
➡️ Аналитикам:
— Собеседования на продуктового и бизнес-аналитика в Т-Банке 🟨
— Что спрашивают по A/B-тестированию в X5 🌿 , разбор собес на DS в Яндекс 🟥
➡️ Разработчикам:
— Go и System Design в Ozon 🔵, GO в Авито😎
— Банк алгоритмических собеседований из BigTech
➡️ ML/AI-инженерам:
— Все вопросы на ML-собеседование в Яндексе 🟥 и ML в Авито 😎
— 10 кейсов по ML System Design в Т-Банке 🟨
➡️ Тем, кто ищет первую стажировку:
— Как получить стажировку в 2026 году
— Где взять опыт, если его нет
В Поступашках регулярно выходят новые разборы собеседований, карьерные гайды, стажировки и инсайды о найме в BigTech.
Лучше увидеть эти вопросы до собеседования, чем узнать о них после отказа
ПОСТУПАШКИ ПОДПИСАТЬСЯ | 174 |
| 4 |  25 лучших бесплатных ресурсов для изучения ИИ в 2026 году
Курсы Стэнфорда и MIT, книги, YouTube-каналы и открытые репозитории для изучения ИИ с нуля до LLM и агентов. Подборка по этапам и готовый маршрут обучения.
https://uproger.com/25-resursov-dlya-izucheniya-ii-2026/ | 220 |
| 5 |  🔥 Полный гайд по локальному запуску DeepSeek на русском: от домашнего ПК до сервера с 8 GPU
В открытом доступе появился репозиторий с руководством из 18 частей о том, как запустить DeepSeek V4, R1 и дистилляты у себя, без облака и интернета. Бесплатно, приватно и офлайн.
Внутри весь путь: выбор модели и расчёт железа, установка и настройка Ollama, llama.cpp, LM Studio, Open WebUI, vLLM и SGLang, работа через API и Python, подключение к IDE. Дальше промптинг, ускорение, RAG, агенты и fine-tuning, а в конце топ-30 приёмов, разбор ошибок, FAQ и готовые конфиги.
Для домашнего ПК основной вариант это R1-дистилляты от 1.5B до 70B. Запуск одной командой: ollama run deepseek-r1:8b. По таблицам гайда в кванте Q4 модель на 8B занимает 5-6 ГБ памяти, на 14B около 9-10 ГБ, на 32B около 20 ГБ, на 70B около 43 ГБ.
Старшие модели уже про серверное железо. DeepSeek-V4-Flash на 284B параметров, из них 13B активных, с контекстом 1M требует около 103 ГБ в 3-битном кванте. DeepSeek-V4-Pro на 1.6T параметров с 49B активными нужны 800 ГБ и больше, то есть сервер с 8 GPU.
Несколько практичных советов из гайда. Для русского языка брать модели от 14B, на меньших дистиллятах качество заметно проседает. Квант Q4_K_M считается стандартным выбором, а большая модель в низком кванте обычно лучше маленькой в высоком. Температура около 0.6 для R1 и 1.0 для V4. Проверять через ollama ps, что модель целиком на GPU. И не открывать порт Ollama 11434 в интернет: у API нет пароля.
Репозиторий: https://github.com/justxor/deepseek-local-guide-ru | 236 |
| 6 |  ✔️ OpenAI расширила Academy до 14 курсов
OpenAI добавила в свою образовательную платформу курсы для разработчиков, руководителей, преподавателей и студентов вузов.
Вместе с уже существовавшим направлением Apply AI at Work каталог теперь разделён на четыре трека по ролям, всего 14 курсов.
Каждый курс заканчивается экзаменом из 10–20 вопросов, которые случайно выбираются из банка в 50 заданий.
Кто наберёт минимум 80%, получает ачивку OpenAI Academy, которую выдаёт и хранит платформа Accredible. За все курсы и экзамены трека, где это предусмотрено, выдают сертификат об окончании.
Ни цифровая ачивка, ни сертификат не считаются профессиональной сертификацией.
При провале экзамен можно пересдать с новым набором вопросов, а сам курс можно просто пройти без сдачи экзамена.
🟢Apply AI at Work из трёх курсов учит ставить ChatGPT задачу, давать контекст, проверять ответы и превращать удачные приёмы в повторяемые процессы. Затем слушатели поручают работу агентам и расставляют контрольные точки для проверки человеком.
🟢Build with AI – самый большой трек, восемь курсов: работа с Codex на всём цикле разработки и продукты на OpenAI API, от проектирования решения и оценки качества до агентов, поиска нужной информации и эксплуатации в продакшене.
🟢Lead AI Adoption пока состоит из одного курса AI Leadership. Слушатели привязывают ИИ-инициативу к приоритетам бизнеса, распределяют ответственность, задают правила и собирают первую версию стратегии и дорожной карты внедрения.
🟠AI for Educators учит планировать занятия и составлять задания и контрольные.
🟠AI for College Students учит собирать учебный план, распределять роли в групповом проекте и готовиться к собеседованиям.
Для компаний есть руководство по внедрению курсов - как представить их сотрудникам, вовлечь руководителей и отслеживать прогресс.
@ai_machinelearning_big_data
#news #ai #ml | 418 |
| 7 | Какие локальные AI-модели запускать на разном железе в 2026 году
Подборка от 8 до 512 ГБ памяти.
8 ГБ
LFM2.5-2.6B - небольшой, но крепкий вариант для локального запуска.
Подойдёт для:
- простых tool calls
- небольших автоматизаций
- экспериментов с локальной инфраструктурой
- лёгких чат-задач
https://huggingface.co/LiquidAI/LFM2.5-2.6B
16 ГБ
Здесь уже интереснее смотреть на две модели.
Gemma 4 12B - более универсальный вариант для чата и vision.
https://huggingface.co/google/gemma-4-12B-it
Ornith-1.5-9B - сильнее ориентирована на tool calling и agentic-сценарии.
https://huggingface.co/ornith-ai/Ornith-1.5-9B
24-96 ГБ
Qwen3.8-27B - уже серьёзный вариант для локального кодинга.
Для такого объёма памяти особенно интересны EXL3-квантизации.
https://huggingface.co/turboderp/Qwen3.8-27B-exl3/tree/SC_3.00bpw_H4_V4
96-196 ГБ
Qwen3.8-Flash-Next.
Модель хорошо подходит для более длинного контекста и высокой скорости. Часть нагрузки можно выносить в RAM, а KV-cache относительно компактный.
https://huggingface.co/Qwen/Qwen3.8-Flash-Next
196-384 ГБ
GLM-5.3-Flash - уже почти frontier-уровень дома.
Подходит для:
- coding
- agentic-задач
- 3D
- мультимодальных сценариев
- длинного контекста
- высокой параллельной нагрузки
https://huggingface.co/zai-org/GLM-5.3-Flash
384-512 ГБ
GLM-5.3.
Медленнее Flash-версии, но заметно сильнее в сложном coding и systems work.
https://huggingface.co/zai-org/GLM-5.3
Если коротко по уровням:
8 ГБ - маленькие локальные модели
16 ГБ - хороший универсальный локальный AI
24+ ГБ - уже нормальный coding
96+ ГБ - большие модели и длинный контекст
196+ ГБ - почти frontier дома
384+ ГБ - максимум качества среди open-weight моделей | 623 |
| 8 |  ИИ решил задачу Эрдёша за 80 минут. Люди тратили на неё годы
GPT-5.4 Pro закрыл проблему №1196 из списка Эрдёша. Это задачи про primitive sets - наборы чисел, где ни одно число не делит другое.
Пример простой:
• {2, 3, 5} работает
• {2, 4} ломается, потому что 2 делит 4
На этом простота заканчивается. Дальше начинается сложная теория чисел, связанная с простыми числами и факторизацией.
Конкретно эта задача про то, как такие наборы ведут себя в целом. Не один пример, а общая структура и ограничения.
Контекст важный. Один из главных экспертов по теме, Jared Lichtman, разбирал эту задачу около 7 лет вместе с топовыми математиками. Это не забытая проблема, её активно пытались решить.
ИИ справился примерно за 80 минут.
Все десятилетиями шли через один и тот же подход. Аналитика плюс вероятностные методы. Это стало негласным стандартом.
Модель просто отказалась от этого пути и осталась в чистом анализе, используя веса фон Мангольдта.
Фактически она пошла дорогой, которую люди игнорировали из-за математической интуиции и привычек.
В результате получилось не просто решение, а аккуратное доказательство, которое потенциально упрощает более широкий класс задач.
Если это подтвердится, это повлияет не на одну задачу, а на целый кусок теории чисел.
Похоже, что модели начали находить не только ответы, но и неожиданные идеи, которые люди системно пропускали.
https://x.com/jdlichtman/status/2044298382852927894 | 1 858 |
| 9 | 🚀 Head of SEO AI-content (Content/ AI / SEO)
Anubis Team
Удалённо · $1500–3000
Пишите: @anubishr
Ищем увлечённого AI инструментами специалиста по контенту, разбирающийся в SEO текстах и тексовой оптимизации, понимающий как воспринимает контент google
🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨
Задачи
• Создание SEO контента через AI
• Построение идеальной структуры страницы
• Масштабирование
• Анализ SERP и конкурентов
• Постоянное тестирование новых инструментов
• Качество и хьюманитизация
• Контроль качества
Что мы даём:
⛏ Все нужные инструменты
🐂 Финансовый и корпоративный рост
❤️ Тимбилдинги с командой
Если вы понимаете BERT / Helpful Content (на уровне практики), entity-based SEO, как Google читает текст — будем рады пообщаться.
Пишите: @anubishr | 0 |
| 10 |  Невероятное открытие: Математики тихо провернули безумную вещь: нашли «универсальную операцию» для всей математики
Польский физик показал, что любую функцию вообще можно собрать из одного примитива. Да, буквально всё: exp, π, i, sin, cos, сложение, умножение и дальше по списку. Раньше нужно было много разных операций, а теперь теоретически всё можно выразить через одну формулу.
Если знаком с NAND, ты уже понял вайб. В булевой логике это одна операция, через которую выражается вообще всё. Из-за этого реальные процессоры по сути собираются из NAND-гейтов.
Так вот здесь сделали то же самое, только для непрерывной математики.
Вместо кучи операций вводится одна:
eml(x, y) = e^x - ln(y)
И дальше начинается магия. Любую функцию можно развернуть в композицию таких выражений. Иногда это выглядит как монстр из вложенных вызовов, но формально всё сводится к одному строительному блоку.
Например, даже логарифм можно собрать через такие вложенности. Для более сложных вещей выражения становятся длинными, но они существуют и это доказано.
И вот тут начинается самое интересное.
Обычно symbolic regression это ад. Нужно перебирать формулы из кучи операций: плюс, умножение, синусы, логарифмы. Огромное дискретное пространство, почти не оптимизируется.
С EML всё упрощается. У тебя один тип узла. Всё пространство формул становится однородным деревом.
А значит можно делать то, что раньше было болью: оптимизировать формулы градиентами, как нейросети.
То есть модель не просто фитит данные. Она может реально схлопнуться в точную формулу.
Если это масштабируется, это прям мост между ML и классической наукой. Не просто предсказания, а извлечение законов из данных.
www.alphaxiv.org/abs/2603.21852v2 | 1 207 |
| 11 |  ⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/ | 671 |
| 12 |  Claude убили для агентов. Что делать?
Anthropic только что заблокировала подписочные OAuth-токены для всех сторонних агентских инструментов, включая OpenClaw и Hermes. Для многих это стало холодным душем: если попробовать использовать OpenClaw через API Claude, выйдет в 20-30 раз дороже. Так что самое время присмотреться к альтернативам.
Если вы среди тех, кого эта новость застала врасплох, ниже разберем три сильных варианта замены, локальные LLM, которые реально работают, и три приема, как сделать любую модель похожей на Claude по части живости и эмоционального интеллекта.
GLM 5.1
Одна из лучших альтернатив прямо сейчас. Модель стоит в три раза дешевле подписки Claude, и вряд ли компания когда-нибудь скажет “давайте забаним OpenClaw”. В open-source-сообществе GLM уважают давно, хотя на X (Twitter) про нее почему-то мало шума. GLM 5 уже доступна бесплатно с открытым кодом для локального запуска, а версия 5.1 скоро тоже станет open source. Пока что 5.1 работает только через платные тарифы.
Подписка: https://z.ai/subscribe
Minimax 2.7
Minimax набирает популярность, и это заслуженно. Подписка дает не только LLM для кода, но и генерацию картинок, музыки, речи. Версия 2.5 уже open source, а 2.7 обещают открыть в ближайшее время. Эта модель тоже поддерживает OpenClaw, и блокировки сторонних инструментов от них ждать не стоит, потому что рост пользователей Minimax во многом идет именно через сторонние харнессы.
KiloCode провели бенчмарки, сравнив Minimax 2.7 и Claude Opus 4.6 на задачах по сборке, код-ревью и билдам. Результаты впечатляют, особенно если смотреть на соотношение цена/качество.
Minimax: https://www.minimax.io/
OpenAI GPT 5.4 (Codex)
Codex уже обходит Opus 4.6 по большинству задач, а OpenAI купила OpenClaw, так что бан со стороны OpenAI вам не грозит (по крайней мере для OpenClaw). С Hermes ситуация менее однозначная, там блокировка возможна.
Что часто не нравится людям в Codex: он не такой разговорчивый и эмоционально тонкий, как Claude. Плюс UI/UX-дизайны у него слабее. Зато по части бэкенда и кода Codex сейчас зверь, равных которому нет. По токенам за доллар Codex щедрее Claude в 3-4 раза, а недельные лимиты они регулярно сбрасывают бонусом. Минус один: нет промежуточного плана между $20 и $200.
Локальные модели
Если у вас хороший ПК или Mac, вы можете запустить GLM 5, Qwen 3.5, Kimi 2.5 и Minimax 2.5 вообще без подписки, просто на своем железе, приватно. Скоро к ним добавятся GLM 5.1 и Minimax 2.7. Вложиться в хорошую машину для локального инференса становится все более разумной инвестицией.
Как сделать новую модель не хуже Claude
Справедливо сказать, что Claude был хорош в диалогах, оркестрации задач и понимании хорошего UI/UX. У Claude был вкус и характер. Но все это можно воспроизвести, если целенаправленно настроить своего агента.
Рецепт состоит из трех слоев, которые вставляются в SOUL.md (OpenClaw) или аналогичный конфиг вашего харнесса.
Первый слой: гуманизация текста. Вы убираете типичные AI-паттерны, банальные фразы вроде “delve into” и “it’s worth noting”, однообразную длину предложений и шаблонную структуру. Вместо этого прописываете правила: короткие предложения чередуются с длинными, допускаются фрагменты и вопросы в прозе, никаких списков там, где можно написать абзацем.
Второй слой: эмоциональный интеллект. Модель учится определять семь эмоциональных состояний пользователя и реагировать адекватно. Фрустрация – сразу решение без “я понимаю ваши чувства”. Восторг – одно предложение в тон, дальше к делу. Путаница – меньше слов, другая аналогия.
Третий слой: движок личности. Это не шаблон, а система из 15 вопросов, которая помогает собрать уникальный профиль агента. Имя, должность, стиль мышления, фирменные речевые обороты, уровень категоричности. На выходе получается SOUL.md, который делает модель узнаваемой и стабильной.
https://uproger.com/claude-ubili-dlya-agentov-chto-teper/ | 804 |
| 13 |  Claude можно превратить из «чат-бота» в полноценного агента, если правильно организовать проект.
Вся магия — в структуре папки:
your-project/
├── CLAUDE.md → инструкции для команды (сохраняется в репозитории)
├── CLAUDE.local.md → личные настройки (игнорируется git)
├── .claude/ → центр управления
│ ├── settings.json → права доступа и конфигурация (в репозитории)
│ ├── settings.local.json → локальные настройки
│ ├── commands/ → кастомные slash-команды
│ │ ├── review.md → /project:review
│ │ ├── fix-issue.md → /project:fix-issue
│ │ └── deploy.md → /project:deploy
│ ├── rules/ → модульные инструкции
│ │ ├── code-style.md
│ │ ├── testing.md
│ │ └── api-conventions.md
│ ├── skills/ → авто-запускаемые workflow
│ │ ├── security-review/
│ │ │ └── SKILL.md
│ │ └── deploy/
│ │ └── SKILL.md
│ └── agents/ → субагенты (роли)
│ ├── code-reviewer.md
│ └── security-auditor.md
Фактически ты собираешь мини-систему из агентов внутри репозитория. | 635 |
| 14 |  ✔️ Anthropic добилась удаления 8100 репозиториев на GitHub из-за утечки Claude Code.
Компания направила GitHub жалобу в рамках DMCA, потребовав заблокировать доступ к утекшему коду Claude Code. Платформа полностью удовлетворила запрос и зачистила репозитории с нелегальным контентом.
Под блокировку попал родительский репозиторий nirholas/claude-code и все его форки - в общей сложности 8100 проектов. Представитель Anthropic заявил, что содержимое этих репозиториев целиком нарушает авторские права компании.
github.com
✔️ Liquid AI обновила сверхкомпактную модель LFM.
LFM2.5-350M - крошечная модель на 350 млн параметров. В нее влили 28 трлн. токенов и отполировали обучением с подкреплением. В квантованном виде вся эта радость весит меньше 500 МБ.
При столь скромных размерах она уверенно справляется с задачами агентных циклов, извлечением структурированных данных и вызовом внешних инструментов.
Разработчики говорят, что по сравнению с прошлой версией новинка стала в 2 раза лучше понимать инструкции и работать с функциями. Модель заводится локально на CPU, видеокартах и мобильных чипах. Плюс из коробки нативно поддерживается железо AMD, Intel и Qualcomm.
liquid.ai
✔️ PrismML представила открытое семейство 1-битных моделей Bonsai.
Вышедший из стелс-режима стартап PrismML, созданный выходцами из Калтеха, придумал интересную концепцию - «плотность интеллекта». Суть в том, чтобы мерить полезную работу модели на гигабайт используемой памяти.
Чтобы не быть голословными, они релизнули семейство моделей Bonsai, с флагманом на 8B во главе. У модели однобитные веса, поэтому занимает она 1,15 ГБ. Заявлено, что при сохранении качества генерации она в 14 раз меньше, в 8 раз быстрее и в 5 раз экономнее аналогов в той же весовой категории. Плотность интеллекта оценивается в 1,06/ГБ против 0,10/ГБ у стандартных полноразмерных моделей на 8B.
В довесок к 8В идут легкие версии на 4B и 1,7B параметров. Код и веса - в опенсорсе под лицензией Apache 2.0.
prismml.com
✔️ Oracle увольняет тысячи сотрудников из-за затрат на ИИ-инфраструктуру.
Техногигант вынужден пойти на массовые сокращения из-за финансового давления, вызванного многомиллиардными инвестициями в ИИ. Пытаясь догнать конкурентов на рынке, Oracle привлекла огромные кредиты для строительства дата-центров и планировала привлечь еще 50 млрд. долларов на расширение инфраструктуры.
Высокая долговая нагрузка и снижение денежного потока вызвали обеспокоенность инвесторов - с начала года акции Oracle рухнули на 25%. Компания пока отказывается комментировать увольнения, однако руководство верит, что ИИ-стратегия окупится в долгосрочной перспективе.
Топ-менеджмент уверен, что спрос на ИИ-инфраструктуру остается большим и неудовлетворенным, а портфель контрактных обязательств на 553 млрд. долларов является прямым доказательством востребованности их решений на рынке.
businessinsider.com
✔️ ИИ-стартап Yupp закрывается и возвращает инвесторам деньги.
Проект Панкаджа Гупты стал одной из первых крупных потерь ИИ-бума. Несмотря на финансирование при участии a16z, Джеффа Дина из Google и CEO Perplexity, а также базу в 1,3 млн. пользователей, компания так и не нашла востребованность на рынке.
Yupp развивал платформу краудсорсинга: пользователи за вознаграждение оценивали ответы более 500 ИИ-моделей, а лаборатории покупали эти данные для улучшения продуктов. Но эволюция технологий уничтожила эту бизнес-модель. Фокус сместился с чат-ботов на сложные агентные архитектуры, напрямую взаимодействующие со сторонними сервисами, API и реальными данными.
Ручная оценка текстовых генераций потеряла ценность для инженеров. Поняв, что подход больше не имеет экономической перспективы, команда решила закрыть бизнес. Неизрасходованный капитал вернут инвесторам, а Yupp проработает до середины апреля в режиме экспорта пользовательских данных.
yupp.ai
@ai_machinelearning_big_data
#news #ai #ml | 486 |
| 15 | 🚀 Head of SEO AI-content (Content/ AI / SEO)
Anubis Team
Удалённо · $1500–3000
Пишите: @anubishr
Ищем увлечённого AI инструментами специалиста по контенту, разбирающийся в SEO текстах и тексовой оптимизации, понимающий как воспринимает контент google
🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨
🎨🎨🎨🎨🎨
Задачи
• Создание SEO контента через AI
• Построение идеальной структуры страницы
• Масштабирование
• Анализ SERP и конкурентов
• Постоянное тестирование новых инструментов
• Качество и хьюманитизация
• Контроль качества
Что мы даём:
⛏ Все нужные инструменты
🐂 Финансовый и корпоративный рост
❤️ Тимбилдинги с командой
Если вы понимаете BERT / Helpful Content (на уровне практики), entity-based SEO, как Google читает текст — будем рады пообщаться.
Пишите: @anubishr | 0 |
| 16 |  Парень переписал Claude Code на Python за ночь - и взорвал GitHub
Anthropic случайно засветили исходники своего ИИ-редактора Claude Code и они мгновенно разлетелись по сети.
Разработчик из Южной Кореи, Sigrid Jin, увидел это в 4 утра и не стал ждать.
За одну ночь он переписал ключевые части проекта на Python и выложил форк под названием Claw Code.
Результат:
- 50 000 звёзд всего за 2 часа
- вирусное распространение по всему GitHub
- полноценный агентный стек, сохранённый в новой реализации
Сейчас он уже работает над версией на Rust.
История про то, как скорость и скилл иногда решают больше, чем команды и бюджеты
https://github.com/instructkr/claw-code
🐍 полезные ресурсы 🚀Max
@machinelearning_interview | 447 |
| 17 |  Amazon делает мощный ход в гуманоидной робототехнике.
Компания приобрела Fauna Robotics. Их робот «Sprout» - это гуманоид ростом ~1 метр, созданный для взаимодействия в реальном мире: дома, в школах и офисах.
Робот стоимостью около $50K умеет:
- ходить
- хватать предметы
- взаимодействовать с людьми
- и даже танцевать | 484 |
| 18 |  +9Самые быстрорастущие репозитории GitHub | 959 |
| 19 |  🚀 Cursor сделал regex-поиск мгновенным
Instant Grep ищет по миллионам файлов за миллисекунды
16.8 сек → 13 мс
И главное:
они не ускоряли regex
они убрали лишний поиск
🧠 Как это работает
- создаётся индекс: куски текста → файлы
- используются триграммы (fil, ile, le_)
- сначала ищутся кандидаты
- потом запускается regex
👉 большинство файлов вообще не открывается
🔥 Ключевая идея - sparse n-grams
- индексируются не все куски
- только самые «полезные»
- редкие символы имеют больший вес
💾 Всё локально
- индекс хранится у тебя
- привязан к Git
- быстрый доступ через memory map
Скорость даёт не regex
а умный отбор файлов до поиска.
https://x.com/cursor_ai/status/2036122609931165985 | 536 |
| 20 |  没有文字... | 576 |
