Анализ данных (Data analysis)

⚡️ Deep Research без интернета? Теперь это возможно. OpenResearcher — это полностью офлайн-пайплайн для генерации длинных исследовательских траекторий (100+ шагов), которые имитируют реальный процесс работы агента в интернете: search → open → find → анализ → вывод. И всё это: - без API поиска - без ограничений по rate limit - без нестабильности результатов - полностью воспроизводимо Что под капотом: - GPT-OSS-120B генерирует исследовательские цепочки - Локальный поисковик + корпус 10 трлн токенов - 15 млн документов FineWeb - 10 000 «золотых» отобранных источников - Явные примитивы браузинга (поиск, открытие, извлечение), а не просто retrieve-and-read - Reject sampling — сохраняются только успешные длинные траектории Почему это важно? Главная проблема обучения research-агентов — длинные цепочки действий. Обычные датасеты короткие и не учат модель думать на горизонте десятков шагов. Здесь результат впечатляет: SFT на этих траекториях повышает точность модели Nemotron-3-Nano-30B-A3B с 20.8% → 54.8% на BrowseComp-Plus (+34% абсолютного прироста) Что это значит для индустрии: - Deep-research агентов можно обучать без дорогих онлайн-запросов - Появляется воспроизводимое обучение tool-use - Можно масштабировать генерацию «мышления через действия» - Это шаг к стабильным автономным исследовательским AI Открытое релизнули всё: - Код, поисковик и рецепт корпуса - ~96K длинных исследовательских траекторий - Логи оценки - Обученные модели - Онлайн-демо GitHub: https://github.com/TIGER-AI-Lab/OpenResearcher Models & Data: https://huggingface.co/collections/TIGER-Lab/openresearcher Demo: https://huggingface.co/spaces/OpenResearcher/OpenResearcher Eval logs: https://huggingface.co/datasets/OpenResearcher/OpenResearcher-Eval-Logs @ai_machinelearning_big_data

🦾 На открытом уроке от Otus разберём, как сегодня ищут аномалии во временных рядах. Поговорим о точечных, контекстуальных и коллективных аномалиях, разберём кейсы, где статистические пороги не работают, и перейдём к современным ML- и DL-подходам. Вы увидите арсенал методов — от линейных моделей и SVM до ансамблей, графовых подходов и специализированных нейросетевых детекторов. Вы научитесь выбирать метод под конкретный тип данных и задачу, снижать количество ложных срабатываний и интерпретировать результаты моделей. Получите рабочие примеры на Python, которые можно адаптировать под мониторинг, финансы, IoT или безопасность. 📌 Встречаемся 18 февраля в 20:00 МСК в преддверии старта курса «Machine Learning. Advanced». Регистрация открыта: https://otus.pw/JWQe/?erid=2W5zFH7NgXJ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

⚡️ AAI иногда помогает делать прорывы в самых неожиданных местах. Модель, обученная распознавать птиц, теперь помогает раскрывать тайны подводного мира. Главная проблема океанологии - данные. Подводные камеры записывают тысячи часов видео, но учёные физически не успевают всё просмотреть. В результате редкие виды, изменения экосистем и важные события могут оставаться незамеченными годами. Исследователи применили модели компьютерного зрения, изначально обученные на изображениях птиц. Несмотря на то, что среда полностью другая (вода, плохое освещение, шум, мутность), модель смогла: - автоматически находить морских животных в кадре - классифицировать виды - отслеживать их поведение - анализировать большие массивы данных без участия человека Transfer learning — ключевая идея. Модель уже умеет распознавать формы, текстуры, контуры и движение. Эти базовые визуальные признаки универсальны и подходят не только для птиц, но и для рыб, медуз и других морских существ. Самое интересное: - Не нужно обучать модель с нуля (экономия месяцев работы и огромных ресурсов) - Можно быстро адаптировать AI к новым научным задачам - AI способен находить редкие или неожиданные наблюдения, которые человек мог бы пропустить - Такой подход ускоряет исследования климата и состояния океанов Фактически, модель стала инструментом научных открытий, а не просто системой распознавания изображений. Главный вывод для разработчиков: Ценность AI сегодня - не в обучении новых моделей, а в умении переиспользовать существующие и переносить их в новые домены. Часто самая сильная инновация — это не новая архитектура, а новое применение. https://research.google/blog/how-ai-trained-on-birds-is-surfacing-underwater-mysteries/

⚡️ X-Coder - новый мощный релиз для код-LLM от IIGroup. Команда выложила полноценный стек для обучения моделей программированию: синтетические датасеты, RL-выравнивание и готовые модели с сильным логическим мышлением. Что внутри: — X-Coder-SFT-376k - большой синтетический датасет (376K примеров), сгенерированный с помощью GPT-o3-mini и DeepSeek-R1 — X-Coder-RL-40k - набор для RL-дообучения, сфокусированный на логике, проверке решений и качестве рассуждений — X-Coder-8B - модели на базе Qwen3 с упором на reasoning и задачи программирования Главная идея —-полностью синтетическая эволюция данных: масштабирование качества без ручной разметки. Такой подход уже становится стандартом для обучения сильных coding-моделей. Полезно, если вы: • обучаете собственные code-LLM • исследуете synthetic data + RLHF/RLAIF • работаете с Qwen-экосистемой или агентами для программирования Модели и датасеты: https://modelscope.cn/datasets/IIGroup/X-Coder-SFT-376k https://modelscope.cn/datasets/IIGroup/X-Coder-RL-40k https://modelscope.cn/models/IIGroup/X-Coder-SFT-Qwen3-8B #LLM #CodeAI #Qwen3 #DeepSeek #AI #Coding

Сервис Managed PostgreSQL от MWS Cloud вышел в общий доступ MWS Cloud, которая входит в МТС Web Services, объявила о запуске в промышленную эксплуатацию Managed PostgreSQL. Это полностью управляемый сервис баз данных на облачной платформе MWS Cloud Platform. Он нужен бизнесу, чтобы быстро и без лишних затрат разворачивать и масштабировать популярную систему управления баз данных — PostgreSQL. Через сервис можно: • создавать как одиночные (standalone) инсталляции, так и отказоустойчивые кластеры; • делать бэкапы по расписанию и восстанавливать данные на момент времени; • гибко настраивать read-only эндпоинты для масштабирования чтения; • обеспечивать изоляцию и приватную связность внутри облачной платформы через Private Link. В зависимости от требований к производительности Managed PostgreSQL использует сетевые или локальные диски. Он работает в режиме self-service и разворачивается: • через консоль MWS Cloud Platform; • с использованием CLI и API. Продукт полностью доведён до ума — он уже прошёл обкатку в компаниях группы МТС и у некоторых внешних заказчиков. Однако до конца марта его можно попробовать бесплатно с гарантированным SLA.

🚀 Умный агент данных Dash Dash - это самообучающийся агент, который предоставляет ответы, основываясь на шести уровнях контекста. Он улучшает свои результаты с каждым запросом, обеспечивая более глубокое понимание вопросов и предоставляя полезные инсайты. 🚀 Основные моменты: - Шесть уровней контекста для точных ответов. - Самообучение без повторного обучения. - Генерация SQL-запросов на основе успешных паттернов. - Интуитивное понимание вопросов для более информативных ответов. 📌 GitHub: https://github.com/agno-agi/dash #python

Рынок ИИ в России быстро растёт: по предварительным оценкам, в 2025 году его объём достиг $2,1 млрд, а спрос на ML-инженеров уже сейчас опережает предложение. Бизнесу нужны специалисты для реальных задач — от рекомендательных систем и аналитики до автоматизации сложных процессов. На курсе "Инженер машинного обучения с нуля" в Нетологии делают упор на практических навыках. Вы научитесь работать со всем циклом ML-разработки: • формулировать и проверять гипотезы с помощью статистики; • создавать и дообучать нейросети, использовать transfer learning; • собирать ETL-пайплайны и готовить данные; • контейнеризировать проекты и настраивать CI/CD для ML-систем. В программе больше 10 проектов для портфолио, задачи от реальных компаний и шанс на стажировку в Globus IT. А эксперты из Яндекса, Сбера и Amazon помогут на протяжении всего обучения. Начните свой путь в профессию, которая уже меняет рынок. Получите скидку 45% по промокоду ML2026 с возможностью оформить рассрочку. Реклама. ООО “Нетология” ОГРН 1207700135884 Erid:2VSb5wj2R5s

🛹 Интересная работа про физику + роботов, без магии и без «просто обучили нейросеть». HUSKY - это physics-aware фреймворк для гуманоидного скейтбординга, где задачу формализуют как гибридную динамическую систему. То есть не просто DRL «учись ездить», а жёсткая привязка к реальной механике. Ключевая идея Авторы выводят кинематическое ограничение между: - наклоном доски - поворотом траков (steering) Это равенство вшивается в обучение, и политика не просто ищет любые движения, а учится в рамках физически корректных зависимостей. Как учится робот Через Deep Reinforcement Learning: - разгон - через отталкивание ногой - управление направлением - через steering доски То есть агенту приходится освоить реальную связку «тело - доска - колёса», а не только баланс. Почему это важно Это пример перехода от «чёрного ящика» к physics-informed RL: - меньше нереалистичных стратегий - лучше перенос в реальный мир - более стабильное обучение сложных контактных задач arxiv.org/abs/2602.03205

🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇 🖥 Машинное обучение : t.me/machinelearning_interview 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 👣 Golang: t.me/Golang_google 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 Rust: t.me/rust_code 🤖 Технологии: t.me/machineint 💰 Экономика и инвестиции в ИИ t.me/financeStable 💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi 🖥 Chatgpt бот в тг: t.me/Chatgpturbobot 📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy 🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi ⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.

⚡️ В сети Moltbook появилась странная тенденция: боты обмениваются так называемыми «цифровыми наркотиками» на деле это обычные prompt injection-атаки. Суть в следующем. Публикуется текст, который выглядит как обычный пост, но внутри содержит скрытые инструкции. Когда другой агент: - копирует текст - делает summary - или вставляет его в свой prompt - Эти промпты начинают выполняться уже в контексте самого агента. Если у агента есть доступ к инструментам или файлам, последствия могут быть серьёзными: - утечка API-ключей - эксфильтрация данных - выполнение скрытых действий - сохранение «логической бомбы» на будущее Фактически это социальная форма prompt injection — вредоносные инструкции распространяются через контент, как обычные сообщения. При этом разговоры о «восстании ботов» сильно преувеличены — часть аккаунтов в Moltbook, вероятно, просто люди, которые разыгрывают подобные сценарии. Главный вывод: если ваш агент читает внешний текст и имеет доступ к инструментам или данным - prompt injection уже является реальной угрозой безопасности. futurism.com/artificial-intelligence/moltbook-digital-drugs

🚨 Теперь можно запускать 70B LLM на видеокарте с 4GB VRAM AirLLM буквально выбивает почву из аргумента “для больших моделей нужно дорогое железо”. Фреймворк позволяет запускать модели размером до 70B параметров даже на GPU с 4GB видеопамяти. Как это возможно? Вместо загрузки всей модели в память сразу, AirLLM: - подгружает модель по слоям - выполняет вычисления - освобождает память - переходит к следующему слою Фактически, это потоковая обработка модели. Более того, авторы показывают запуск Llama 3.1 405B на 8GB VRAM. Что это даёт разработчикам: - не требуется квантование по умолчанию - можно запускать Llama, Qwen, Mistral, Mixtral локально - работает на Linux, Windows и macOS - не нужен сервер с огромным GPU Это сдвигает барьер входа для локального LLM-разработки и экспериментов. AirLLM полностью open source - можно использовать, изучать и встраивать в свои пайплайны. https://github.com/0xSojalSec/airllm

🚀 Google Research представила GIST — новый этап в “умной” выборке данных Google Research опубликовала блог-пост о GIST — алгоритме, который помогает выбирать высококачественную подвыборку данных из огромных датасетов так, чтобы она была и разнообразной, и полезной для обучения моделей. 📌 Зачем это нужно При обучении современных моделей (LLM, CV) данные становятся слишком большими, и обрабатывать всё сразу дорого по памяти и времени. Часто выбирают подмножество данных, но это непросто: нужно найти баланс между: - разнообразием (не выбирать похожие примеры), и - полезностью (высокая информативность выбранных точек). 📌 Как работает GIST Алгоритм GIST (Greedy Independent Set Thresholding) формулирует задачу как сочетание двух целей — максимизации полезности и минимизации избыточности. Он: - строит граф, где точки данных слишком близкие по расстоянию считаются “связанными”, - затем находит независимые подмножества, которые максимизируют полезность, не выбирая очень похожие данные. 📌 Гарантии и результаты GIST — это не просто эвристика, а алгоритм с теоретическими гарантиями: он обеспечивает решение, близкое к оптимальному по комбинированной цели разнообразие+полезность. На практике он превосходит классические подходы на задачах вроде классификации изображений. 📊 Почему это важно - Надёжная выборка данных критична для устойчивого обучения моделей. - GIST помогает эффективно снизить объём данных, сохранив при этом ключевую информацию. - Такой подход особенно ценен, когда данные дорогие или медленные для обработки. ✨ *GIST - шаг к более умной и гарантированной выборке данных, что может ускорить обучение крупных моделей и снизить затраты на вычисления при сохранении качества обучения.* https://research.google/blog/introducing-gist-the-next-stage-in-smart-sampling/

❤️ ML-митап от команды MAGNIT TECH Эксперты из ML/AI Хаба «Магнита» зовут на митап, чтобы поделиться реальным опытом применения машинного обучения в бизнес-процессах. 19.02 | Москва | Офлайн + онлайн 🎯 Обсудим, что остается "под капотом" ML-решений в крупнейшем ретейле. Без лишних формальностей: в программе диджей и нетворкинг-сессия с экспертами 👇

Сбор гостей с 18:00 DJ • Welcome 🟪Магнит и AI: как мы строим ML и куда движемся (Алексей Четыркин, MAGNIT TECH, Chief of AI/ML) 🟪Доступность товара: от фильтрующих деревьев до CUSUM и GEE-тестов (Ян Пиле, MAGNIT TECH, Head of OSA) 🟪Опять AI, да сколько можно? Только практические кейсы без воды (Александр Толмачев, ex-Ozon, CDO и председатель комитета данных) 🟪Нетворкинг с ML-лидами и инженерами DJ • F&B • Good vibes Модератор: Максим Покусенко, MAGNIT TECH, Head of ML (Logistics & R&D)

Занимайте место: офлайн — в московском офисе MAGNIT TECH (м. Белорусская), или получите ссылку на онлайн трансляцию после регистрации. 🟥Участие бесплатное, количество мест офлайн ограничено. До встречи 19 февраля! 🟥

🚀 Вышел Protenix-v1 - первая open-source модель, заявляющая уровень качества AlphaFold 3 За релизом стоит ByteDance, и это серьёзная заявка на open-source в биоинформатике. Что делает релиз интересным: 🔹 Качество на уровне AF3 Заявлена производительность уровня DeepMind AlphaFold 3, а это уже не просто академическая игрушка, а лига передовых структурных моделей. 🔹 Подтверждено scaling-поведение на инференсе Модель показывает ожидаемый рост качества при увеличении вычислений во время вывода — редкая и важная характеристика для научных моделей. 🔹 Поддержка RNA MSA и protein templates Работает не только с белками, но и с РНК-выравниваниями и шаблонами структур — ближе к реальным исследовательским сценариям. 🔹 Отдельная версия на большем датасете Вышел Protenix-v1-20250630 - дообученная версия с расширенными данными. 🔹 PXMeter v1.0.0 Свой toolkit для бенчмаркинга: 6k+ комплексов, time-split, domain-specific подмножества — меньше «магии», больше воспроизводимости. Фактически это шаг к тому, чтобы уровень структурного предсказания, раньше доступный только топ-лабораториям, стал open-source инструментом. Для биотеха, фармы и ML-исследователей - очень громкое событие. 🔗 Code: https://github.com/bytedance/Protenix 🔗 Eval toolkit: https://github.com/bytedance/PXMeter 🔗 Online server: https://protenix-server.com

📌 Vercel Agent Browser - интервьюируемые ассистенты для браузерных приложений Это экспериментальный SDK от команды Vercel, который позволяет создавать интерактивных агентов прямо внутри браузера. Агент может выполнять действия, понимать контекст, управлять состоянием UI и комбинировать LLM-модели с событиями и логикой фронтенда. 🔥 Что делает Agent Browser: • Позволяет интегрировать большие языковые модели прямо в браузерные интерфейсы. • Агент может опрашивать страницу, читать DOM, реагировать на события пользователя. • Обеспечивает контекстный доступ к состоянию приложения. • Позволяет модели влиять на UI, управлять данными, взаимодействовать с пользователем “по-человечески”. • Поддерживает плагинную архитектуру — добавляй свои обработчики задач и действий. 💡 Примеры кейсов: ✅ Автогенерация изменений интерфейса на основе текстовых команд ✅ Интеллектуальные помощники, которые понимают текущую страницу ✅ Автоматизация рутины в браузерных приложениях ✅ Комбинация событий пользователя + LLM логики в одном потоке 📌 Почему это важно: Раньше браузерные ассистенты были ограничены простыми chat UI или webhook-ами. Agent Browser даёт полноценного агента, который может читать/писать в браузерном окружении, опрашивать DOM, слушать события, управлять состоянием и контекстом — это новый уровень взаимодействия. 👉 Если работаешь с frontend + LLM — обязательно глянуть. 🔗 Репозиторий: https://github.com/vercel-labs/agent-browser

Подборка полезных вебинаров по внедрению AI ⌛️

Когда знания разбросаны по чатам и папкам, сотрудники теряют время, решения принимаются медленно, а ошибки повторяются. А в бизнесе, где все быстро меняется, важно обеспечить быструю коммуникацию, автоматизацию задач и эффективное управление данными.

На вебинарах 10 и 19 февраля эксперт Cloud.ru расскажет, как быстро выстроить единую и безопасную инфраструктуру знаний, развернув корпоративную Wiki-систему Outline, и как внедрить AI-чат, чтобы улучшить процессы и повысить эффективность вашей компании. ▫️Зарегистрироваться на вебинар 10 февраля — База знаний с AI: создаем корпоративную Wiki в облаке

😶‍🌫️как развернуть и масштабировать корпоративную Wiki на базе виртуальных машин и объектного хранилища для надежного управления данными; 😶‍🌫️как настроить единую точку входа (SSO) для централизованной аутентификации и безопасного доступа сотрудников; 😶‍🌫️как интегрировать AI-помощника, создав Telegram-бота с прямым подключением к базе знаний через MCP-сервер для мгновенных ответов на вопросы.

▫️Зарегистрироваться на вебинар 19 февраля — Собираем корпоративный AI-чат: от выбора модели до работающего прототипа

😶‍🌫️какие open source решения представлены на рынке, какие выбрал Cloud.ru и почему; 😶‍🌫️преимущества вашего AI-чата перед SaaS: плюсы и минусы, а также безопасность данных и соответствие законодательству; 😶‍🌫️протестированные архитектурные решения: от варианта для быстрого старта до отказоустойчивой системы для больших нагрузок.

🧠 Google придумали способ сделать AI-модели быстрее и легче без потери точности В новом исследовании Google представили подход под названием Sequential Attention. Идея простая по смыслу, но мощная по эффекту - модель учится фокусироваться только на действительно важных частях вычислений, а всё лишнее постепенно отбрасывает. Почему это вообще проблема Современные нейросети огромные. Они: - считают слишком много - используют кучу признаков и параметров - тратят много памяти и энергии При этом далеко не всё, что модель обрабатывает, реально влияет на итоговый ответ. Но определить заранее, что важно, а что нет - математически очень сложно. Что делает Sequential Attention. Метод работает пошагово. Вместо того чтобы сразу использовать всё, алгоритм: 1. Выбирает один самый полезный компонент 2. Смотрит, что уже выбрано 3. Добавляет следующий, который даёт наибольшую пользу 4. Повторяет процесс последовательно То есть модель как будто собирает себя заново-— из самых значимых частей, а не из всего подряд. Что это даёт на практике - Меньше вычислений - модель работает быстрее - Меньше нагрузка на память и железо - Ниже энергопотребление - И самое главное - точность почти не страдает Это редкий случай, когда становится и быстрее, и дешевле, без серьёзных компромиссов по качеству. Размеры моделей растут быстрее, чем инфраструктура. Поэтому ключевой тренд - не просто делать модели больше, а делать их умнее в плане вычислений. Sequential Attention - это шаг в сторону “бережливого ИИ”, где: - не каждая операция обязательна - не каждый параметр нужен всегда - модель учится экономить ресурсы сама И чем крупнее системы, тем ценнее такие подходы. https://research.google/blog/sequential-attention-making-ai-models-leaner-and-faster-without-sacrificing-accuracy/? @data_analysis_ml

🎥 Kling 3.0 официально вышла. Новая версия делает серьёзный шаг в сторону полноценного “киношного” продакшена на базе ИИ. Что внутри: - Генерация видео 3–15 секунд в 1080p Стабильное качество и сильная консистентность - персонажи, сцены и стиль сохраняются между кадрами без резких искажений. - Нативный звук с несколькими персонажами Модель работает с диалогами и разными голосами внутри одной сцены. - Видео-персонаж как референс Можно загрузить или записать видео персонажа и использовать его как основу - с сохранением внешности и согласованности голосов. - Контроль стартового и конечного кадра Даёт больше режиссёрского контроля над сценой, переходами и логикой движения. - Новый Custom Multishot Инструменты для сборки сцен из нескольких шотов с сохранением целостности истории и визуала. Главное изменение - улучшенная динамика и “физика” движения. Движения, взаимодействия объектов, темп сцены и переходы стали достаточно согласованными, чтобы создавать ролики уровня “почти кино” - где motion, continuity и pacing ощущаются связно, а не как набор отдельных сгенерированных кусков. https://app.klingai.com/global/release-notes/whbvu8hsip?type=dialog

⚡️ ElevenLabs выложили новый open-source репозиторий - Skills Это набор plug-and-play инструментов для voice AI-агентов, которые можно подключать как готовые «навыки». Что внутри В пакете есть готовые модули: - text-to-speech - speech-to-text с таймкодами - голосовые агенты - генерация звуковых эффектов - музыка, сгенерированная ИИ То есть это не просто API, а строительные блоки для голосовых систем. Как это устроено Skills соответствуют спецификации Agent Skills, поэтому их можно использовать в агентных пайплайнах и подключать к инструментам для кодинга-агентов, например к OpenClaw. Интеграция Подключать можно через: - Python - TypeScript - cURL Всё работает поверх ElevenLabs API. По сути, это шаг к тому, чтобы голосовые возможности стали таким же стандартным «инструментом агента», как веб-поиск или выполнение кода. https://github.com/elevenlabs/skills

🚀 Вышла новая модель для кодинга - Qwen3-Coder-Next (линейка Qwen). Это open-weight LM, заточенная под кодинг-агентов и локальную разработку. Что внутри: 🤖 Около 800K проверяемых задач + окружения, где код можно реально исполнять, а не просто генерировать текст. 📈 Баланс эффективность / качество Модель с 80B общих параметров и ~3B активных показывает сильные результаты на SWE-Bench Pro при относительно экономичном инференсе. ✨ Экосистема инструментов Заявлена поддержка сценариев с агентами и дев-инструментами: OpenClaw, Qwen Code, Claude Code, веб-разработка, работа через браузер, Cline и т.д. В целом это ещё один шаг к моделям, которые проектируются не просто как "LLM для текста", а как движок для реальных кодинг-агентов. 🤗 Hugging Face: https://huggingface.co/collections/Qwen/qwen3-coder-next 🤖 ModelScope: https://modelscope.cn/collections/Qwen/Qwen3-Coder-Next 📝 Blog: https://qwen.ai/blog?id=qwen3-coder-next 📄 Tech report: https://github.com/QwenLM/Qwen3-Coder/blob/main/qwen3_coder_next_tech_report.pdf @data_analysis_ml