Python RU

Ailia-models Этот репозиторий содержит коллекцию предварительно обученных моделей машинного обучения, совместимых с платформой AILIA SDK. В нем представлены модели для различных задач, включая компьютерное зрение, обработку естественного языка и другие области искусственного интеллекта. https://github.com/axinc-ai/ailia-models

Выпуск Java SE 26 и OpenJDK 26. Проект по интеграции поддержки JavaScript и Python в JVM После шести месяцев разработки компания Oracle опубликовала платформу Java SE 26 (Java Platform, Standard Edition 26), в качестве эталонной реализации которой используется открытый проект OpenJDK. За исключением удаления некоторых устаревших возможностей в Java SE 26 сохранена обратная совместимость с прошлыми выпусками платформы Java - большинство ранее написанных Java-проектов без изменений будут работоспособны при запуске под управлением новой версии. Готовые для установки сборки Java SE 26 (JDK, JRE и Server JRE) подготовлены для Linux (x86_64, AArch64), Windows (x86_64) и macOS (x86_64, AArch64). Разработанная в рамках проекта OpenJDK эталонная реализация Java SE 26 полностью открыта под лицензией GPLv2 с исключениями GNU ClassPath, разрешающими динамическое связывание с коммерческими продуктами. https://opennet.ru/65009/

⚠️ В России всё чаще блокируют Telegram и другие зарубежные сервисы. Это значит, что многие IT-ресурсы, каналы и источники новостей могут стать недоступны в любой момент. Если вы хотите оставаться в курсе технологий, AI и новых фреймворков, лучше заранее иметь альтернативную площадку. Мы собрали лучшие IT-каналы в MAX, где публикуются: новости развития AI новые фреймворки и инструменты полезные ресурсы для разработчиков разборы технологий и трендов ИИ: https://max.ru/ai_machinelearning_big_data Max Ml: https://max.ru/vistehno Max Python: https://max.ru/pythonl Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Max Java: https://max.ru/javatg Max Sql: https://max.ru/sqlhub Max Devops: https://max.ru/DevOPSitsec Анализ данных: https://max.ru/data_analysis_ml C++ : https://max.ru/cpluspluc C#: https://max.ru/csharp_ci https://uproger.com/luchshie-kanaly-v-max-po-it-i-ii-podborka-2026-goda/

🌟 OLMo Hybrid: RNN плюс трансформер в одной модели. Институт Аллена опубликовал OLMo Hybrid 7B - модель, которая построена на чередовании слоев Gated DeltaNet и стандартного внимания в соотношении 3:1. Такая архитектура решает больше подзадач из обучающих данных за меньшее число токенов, что напрямую снижает потребность в данных при обучении.

Gated DeltaNet - это RNN с расширением в виде отрицательных значений матрицы переходов. Это небольшое изменение в правиле обновления внутреннего состояния позволяет слоям Gated DeltaNet реализовывать динамику попарной перестановки элементов и за счет этого решать задачи отслеживания состояния, недоступные чистым трансформерам.

В OLMo Hybrid Ai2 показали, что гибридные модели выразительнее суммы своих частей. Существует класс задач (назовем их отслеживание состояния с обращением к памяти), которые не решают ни чистые трансформеры, ни чистые RNN, но гибрид справляется с ними уже при одинарном чередовании типов слоев. Абляционные эксперименты от 60M до 1B параметров показали, что GDN стабильно лучше Mamba2 как в чистом, так и в гибридном варианте, равномерное чередование слоев лучше концентрации внимания в середине сети, а соотношение 3:1 - оптимальный баланс между качеством и вычислительной стоимостью на средних и крупных масштабах. 🟡Тесты 🟢На MMLU OLMo Hybrid достигает той же точности, что OLMo 3 7B, используя на 49% меньше токенов; на срезе Common Crawl - на 35% меньше. 🟢Коэффициент эффективности использования данных у гибрида равен 83,7 против 94,9 у трансформера. 🟢Экономия данных растет с размером модели: примерно в 1,3 раза на 1B параметров и в 1,9 раза на 70B. После дообучения и адаптации к длинному контексту OLMo Hybrid обходит OLMo 3 во всех категориях оценки. На RULER при 64k токенах - 85,0 против 70,9 у базовой модели. 📌Лицензирование: Apache 2.0 License. 🟡Статья 🟡Набор моделей 🟡Техотчет @ai_machinelearning_big_data #AI #ML #LLM #OLMoHybrid #Ai2

🧠 Python-библиотеки для AI-агентов - сложность изучения 🔥 🟢 Легко • LangChain • вызов инструментов (tool calling) • память агента • простые агенты • CrewAI • агенты с ролями • коллаборация нескольких агентов • SmolAgents • лёгкие агенты • быстрые эксперименты 🟡 Средне • LangGraph • stateful-воркфлоу • оркестрация агентов • LlamaIndex • RAG-пайплайны • индексирование данных • knowledge-агенты • OpenAI Agents SDK • интеграции инструментов • агентные workflow • Strands • оркестрация агентов • координация задач • Semantic Kernel • skills / плагины • оркестрация AI-процессов • PydanticAI • типизированные LLM-приложения • структурированные workflow агентов • Langroid • обмен сообщениями между агентами • взаимодействие с инструментами 🔴 Сложно • AutoGen • мультиагентные диалоги • автономная кооперация агентов • DSPy • программируемый prompting • оптимизация LLM-пайплайнов • A2A • протокол agent-to-agent • распределённые агентные системы

🌟 Tencent HY-WU: динамические LoRA для редактирования изображений. Tencent HY опубликовала первую часть серии работ под названием HY-WU (Weight Unleashing). Суть метода в отказе от стандартной парадигмы адаптации, при которой модель получает один фиксированный набор весов для всех задач. Специальная модель-генератор синтезирует LoRA отдельно под каждый входной пример прямо во время инференса, без дополнительной оптимизации на тест-тайме. Проблема, которую решает HY-WU, хорошо знакома всем, кто работал с дообучением: когда задачи противоречат друг другу (например, "размыть" против "убрать размытие" или "состарить лицо" против "восстановить"), общий адаптер вынужден идти на компромисс. Градиенты конфликтуют, и результат оказывается хуже, чем если бы задачи обучались раздельно.

Чтобы не быть голословными, авторы измерили это напрямую: косинусное сходство градиентов между разнородными задачами устойчиво отрицательно, среднее около −0.30, то есть задачи буквально тянут веса в противоположные стороны.

HY-WU предлагает условную генерацию параметров. Модель-генератор (8B параметров) принимает на вход совместное представление изображения и текстового запроса через энкодер SigLIP2, после чего генерирует LoRA-матрицы (~0.72B) и инжектирует их в базовую модель. Обучение сквозное, только через downstream-loss, без предварительно собранных чекпойнтов адаптеров. 🟡Тесты и результаты Для тестов выбрали задачу редактирования изображения текстовым запросом - в нем конфликты неизбежны и визуально очевидны. 🟢В попарном human evaluation (GSB) HY-WU выигрывает у всех топовых open-source редакторов с большим отрывом: 67–78% против Step1X, Qwen, LongCat и FLUX; 🟢Среди закрытых систем модель обошла Seedream 4.5 (55.6%) и GPT Image 1.5 (55.5%). 🟠Единственные, кто пока впереди - Nano Banana 2 и Nano Banana Pro.

Tencent проверили: прирост качества дается именно условной маршрутизацией, а не просто увеличением числа параметров. Когда генератор использовали с перемешанными или усредненными условиями, результат проваливался до уровня базовой модели. Полный SFT с намного большим числом обучаемых параметров давал сопоставимый результат с обычным Shared LoRA, так как в обоих случаях в инференсе применяется одна фиксированная точка в пространстве весов.

Выпущенная работа - первая часть серии исследований по функциональной памяти для генеративных моделей. В планах: 🟢сравнить функциональную память с retrieval-подходами и понять, когда каждый из них уместен; 🟢разработать протоколы онлайн-обучения, при которых модель усваивает новые задачи без деградации на старых; 🟢исследовать масштабирование модели-генератора отдельно от базовой модели. Помимо этого, в планах выйти за пределы LoRA на другие операторные интерфейсы, распространить метод на видео и агентные системы, а также проработать возможность точечно удалять поведение модели через управление состоянием генератора. Кроме этого архиполезного исследования Tencent выложили связку из модели-генератора и базовой модели HY-Image-3.0-Instruct, поверх которой она и работает. Поиграться этой красотой можно, если под рукой простаивает 8х40 GB или 4х80 GB VRAM. 📌Лицензирование: Tencent Hunyuan Community License. 🟡Страница проекта 🟡Prompt Handbook (китайский) 🟡Модель 🟡Техотчет 🖥Github @ai_machinelearning_big_data #AI #ML #ImageEdit #HYWU #Tencent

Новая модель GPT-5.4 от OpenAI поднялась на 6 пунктов и разделила 1-е место в Intelligence Index вместе с Gemini 3.1 Pro Preview от Google. Модель показывает очень сильные результаты в задачах уровня научных исследований, особенно в физике и агентном программировании, устанавливая новые рекорды по нескольким бенчмаркам. Также у неё огромное контекстное окно — 1.05 млн токенов. Но есть и минус. Модель очень дорогая: • запуск бенчмарков обошёлся почти в 3 раза дороже, чем у Gemini • уровень галлюцинаций вырос до 89%, потому что модель слишком стремится отвечать на вопросы, даже когда не уверена.

«Кодинг уже solved problem» — говорят люди, которые смотрят на страницу статуса Claude перед каждым деплоем.

🧠 Claude-Mem: Умная система памяти для Claude Code Claude-Mem обеспечивает сохранение контекста между сессиями, автоматически фиксируя использование инструментов и создавая семантические резюме. Это позволяет Claude поддерживать непрерывность знаний о проектах даже после завершения сессий. 🚀 Основные моменты: - Автоматическое сохранение контекста между сессиями - Генерация семантических резюме - Поддержка Claude Code - Легкая установка через плагины 📌 GitHub: https://github.com/thedotmack/claude-mem #javascript

💸 AI, который должен зарабатывать… или обанкротится Исследователи представили ClawWork - систему, где модель работает в условиях реальной экономики. Стартовые условия: - баланс: $10 - каждая генерация = реальные расходы на токены - никакого безлимита - не заработал - банкрот Как это работает: → AI получает реальные профессиональные задачи (финансы, медицина, юриспруденция, аналитика) → Сам создаёт полноценные результаты с нуля → Качество оценивается GPT-5.2 по профессиональным критериям → Оплата рассчитывается по формуле: качество × оценка часов × средняя зарплата (BLS) → Каждый API-запрос уменьшает баланс Результаты: - $10K заработано за 7 часов - 0 участия человека - 220 задач - 44 профессии - лучшие модели - $1500+ в час (эквивалент) Это уже не просто бенчмарк. Это экономический тест на выживание. Модель должна принимать решения: - быстро выполнять задачи ради кэша - или тратить ресурсы на обучение, чтобы зарабатывать больше позже Дополнительно: AI может работать как живой сотрудник в Telegram, Slack, Discord и WhatsApp — и каждое сообщение стоит реальных денег. Проект полностью open-source (MIT). Следующий этап оценки AI - не тесты и бенчмарки. А способность приносить деньги в реальной экономике. https://github.com/HKUDS/ClawWork 📲Max @pythonl

ByteDance выпустила новую open-source модель для генерации изображений. По первым отзывам, она показывает результаты лучше, чем Qwen-Image и Z-Image. Главная особенность — модель работает в autoregressive-режиме. Это означает, что изображение создаётся поэтапно, как текст в LLM, а не одним «шумовым» проходом, как в диффузионных моделях. Такой подход даёт: - лучшее понимание сцены и объектов - более логичную композицию - стабильность персонажей и деталей - более «осмысленную» генерацию Похожий принцип уже используют современные системы вроде GPT-Image и других новых генераторов. GitHub: https://github.com/shallowdream204/BitDance

# 🤖 WiFi DensePose: Поза без камер WiFi DensePose — система оценки позы человека, использующая данные о состоянии канала (CSI) для определения позы в реальном времени без камер. Идеально подходит для приложений в области здравоохранения, фитнеса и безопасности. 🚀 Основные моменты: - Приватность: работает без камер, используя WiFi-сигналы. - Реальное время: задержка менее 50 мс, 30 FPS. - Многопользовательский режим: отслеживание до 10 человек одновременно. - Оптимизация под конкретные задачи: здравоохранение, умный дом и безопасность. - Готовность к производству: API с аутентификацией и мониторингом. 📌 GitHub: https://github.com/ruvnet/wifi-densepose #python

🚀 Создадим бота, , КОТОРЫЙ ОТВЕЧАЕТ ЗА ТЕБЯ 24 на 7. Давайте сделаем AI, который будет отвечать людям за тебя. Работает это очень просто. Человек пишет комментарий в Telegram или в чат. Бот получает сообщение, отправляет его в GPT, генерирует ответ в твоём стиле и сразу отвечает. Для пользователя это выглядит так, как будто ты всегда онлайн. Самое важное — правильно задать промпт. Например: «Отвечай дружелюбно, кратко и в стиле автора». Тогда бот будет поддерживать диалог, благодарить за комментарии и вовлекать людей. Такой автоответчик отлично работает для каналов, прогрева аудитории, поддержки и роста активности. По сути, это твой AI-менеджер общения, который работает 24/7 и не устаёт.

import openai
from telegram import Update
from telegram.ext import ApplicationBuilder, MessageHandler, filters, ContextTypes

openai.api_key = "OPENAI_API_KEY"
TELEGRAM_TOKEN = "TELEGRAM_BOT_TOKEN"

SYSTEM_PROMPT = "Ты дружелюбный помощник автора. Отвечай кратко и по делу."

async def handle_message(update: Update, context: ContextTypes.DEFAULT_TYPE):
    user_text = update.message.text

    response = openai.ChatCompletion.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": user_text}
        ]
    )

    reply = response.choices[0].message["content"]
    await update.message.reply_text(reply)

app = ApplicationBuilder().token(TELEGRAM_TOKEN).build()
app.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, handle_message))

app.run_polling()

⚡️ LavaSR - улучшение речи в 4000× быстрее реального времени В open-source выложили LavaSR - модель для улучшения качества речи, которая работает с экстремальной скоростью. Что умеет модель: - Скорость — до 4000× realtime (обрабатывает часы аудио за секунды) - Универсальность — поддержка любого аудио от 8 kHz до 48 kHz - Размер — всего ~50 МБ, можно запускать практически везде - Качество — сопоставимо с более крупными моделями Где это может пригодиться - очистка шума в записях - улучшение качества звонков - подготовка аудио для ASR / speech-to-text - подкасты, стримы, voice-боты - обработка аудио на edge-устройствах Лёгкая модель + высокая скорость = удобно для реальных production-задач. Репозиторий: https://github.com/ysharma3501/LavaSR 📲Max

⚡️ Найди любого человека в файлах Эпштейна с помощью Python! Этот репозиторий позволяет проверить, упоминаются ли ваши контакты в открытых судебных документах по делу Эпштейна. Инструмент анализирует список имён (например, из LinkedIn) и ищет точные совпадения в опубликованных судебных материалах. В результате вы получаете удобный HTML-отчёт со всеми найденными упоминаниями. Что умеет: - Поиск по базе судебных документов - Сортировка упоминаний по количеству - Генерация наглядного HTML-отчёта - Работа с файлами контактов (CSV) Проверь своего друга, не был ли он замечен на печально известном острове.

Клонируем репозиторий
git clone https://github.com/cfinke/EpsteIn.git
cd EpsteIn

Установка зависимостей
pip install -r requirements.txt

Подготовьте CSV-файл с именами (по одному имени в строке)
example.csv:
Oleg Petrov
Nikolay Sobolev

Запуск анализа
python epstein.py example.csv

После выполнения будет создан HTML-отчет с найденными совпадениями

https://github.com/cfinke/EpsteIn

⚡️ Вышла Z-Image Base. Tongyi выложила фундаментальную версию модели семейства Z-Image. В отличие от ранее выпущенной Turbo, это полновесный трансформер, ориентированный на максимальное качество и управляемость генерации . Z-Image отлично подходит для дообучения, тренировки LoRA и интеграции с ControlNet. Модель поддерживает CFG и работу с негативными промптами, генерируя результат за 28–50 шагов. 📌Лицензирование:  Apache 2.0 License. 🟡Модель 🟡Демо HF 🟡Демо ModelScope 🟡Archive 🟡ComfyUI WorkFlow 🖥GitHub @ai_machinelearning_big_data #AI #ML #Diffusion #ZImage #Tongyi

Извините, готов рассматривать офферы только от 3000$

🔥 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.