Generative AI

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/

⚙️ 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

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

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/

🔥 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

✔️ 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

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

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

🚀 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

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

⚡️ 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/

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/

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.

✔️ 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

🚀 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

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

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

🚀 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