Python RU

/ultrareview — новая функция в Claude Code (research preview): запускает в облаке целый флот агентов-багхантеров, которые ищут проблемы в коде перед мержем. Результаты автоматически приходят в CLI или Desktop. Рекомендуется использовать перед критичными изменениями (авторизация, миграции данных). Pro и Max пользователям доступно 3 бесплатных ревью до 5 мая.

На Hugging Face выкатили 18B «франкенштейн»-модель, которая бьёт 35B Без дообучения. Просто сборка. Модель на 18B обходит Qwen3.6-35B-A3B в наборе из 44 тестов, при этом требует всего 12GB VRAM вместо 24GB. И запускается на обычной RTX 3060. Что внутри: - смешанный reasoning от Opus 4.6 и GLM-5.1 - стабильная генерация 66+ токенов в секунду - нормальная работа с tool calling - подходит для агентных сценариев Размер GGUF - около 9.8GB (Q4_K_M), то есть спокойно помещается на карту с 12GB памяти. Это не новая архитектура и не прорыв в обучении. Это грамотная сборка уже существующих моделей. Но результат интересный. По сути получился компромисс между лёгкими 9B и тяжёлыми 27B+ моделями. Достаточно умный, при этом не требовательный к железу. Если у тебя 12–16GB VRAM — это сейчас один из самых удобных вариантов под локальный запуск. https://huggingface.co/Jackrong/Qwopus-GLM-18B-Merged-GGUF

☸️ Kubernetes DaemonSet - простое объяснение 🔹 Что такое DaemonSet DaemonSet гарантирует, что копия Pod запускается на каждом узле в кластере Kubernetes. ♾ Проще говоря: «запусти этот Pod на каждой машине в кластере» 🧠 Зачем нужны DaemonSet Есть задачи, которые должны работать на всех узлах, а не только на части. Типичные кейсы: 📊 Агенты мониторинга (например, Prometheus Node Exporter) 📜 Сборщики логов (например, Fluentd) 🌐 Сетевые компоненты (например, CNI плагины) 🔐 Агенты безопасности ⚙️ Как это работает Когда добавляется новый узел - Pod автоматически запускается Когда узел удаляется - Pod удаляется По умолчанию - один Pod на узел 🧩 Пример работы Ты создаёшь DaemonSet Kubernetes проверяет все узлы На каждом узле запускается один Pod Добавляется новый узел - Pod создаётся автоматически

🚀 Ты всё ещё называешь обёртку над ChatGPT «AI-продуктом»? Пока ты пишешь промпты - рынок уже ушёл дальше. Сейчас выигрывают не те, кто умеет красиво формулировать запросы, а те, кто строит агентные системы: - принимают решения сами - ходят в API - работают с Postgres и Redis - управляют браузером через Playwright - доводят задачи до результата без человека И вот правда, о которой мало говорят: 90% таких систем умирают между ноутбуком и продом. Работает локально. Ломается в реальности. Нет архитектуры. Нет устойчивости. Нет деплоя. AI Agents Engineering - курс со Stepik, который закрывает этот разрыв. - LangGraph, AutoGen, Computer Use - архитектура агентов, а не «скрипты на коленке» - LLMOps, логирование, стабильность - деплой в Docker и работа в проде 8 модулей, 120+ шагов, всё через практику. На выходе не «сертификат ради галочки», а: - рабочий production-агент - понимание, как строить такие системы с нуля - навыки, за которые уже платят Сейчас самое окно входа. Через полгода это станет базой, а не преимуществом. Скидка 55% действует ещё 48 часов: https://stepik.org/a/276971/

Anthropic опубликовали свежий мини-курс по промтингу- в нём описаны лучшие практики по написанию подсказок Внутри советы по форматированию, описанию задач и агентских сценариях - всё это с примерами и детальным описанием. https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices

🦀 Как сократить расходы на OpenClaw на 95% и платить $25 вместо $600 На Reddit регулярно появляются посты от пользователей OpenClaw с шокирующими счетами. $300 в месяц. $600 в месяц. Кто-то умудрился набить $3600 за один месяц. Покупают Mac Mini за $600, ставят OpenClaw, гоняют неделю, сжигают все токены и выключают. Большинство даже не понимает, куда уходят деньги. Каждое отправленное сообщение включает в себя всю историю диалога за сессию. К 50-му сообщению вы оплачиваете повторную отправку всех предыдущих сообщений через API снова и снова. Heartbeat не обязан жрать токены Opus каждые 30 минут Это про фоновые процессы, которые незаметно сжигают бюджет. По дефолту heartbeat срабатывает каждые 30 минут на той модели, которая выставлена основной - у большинства это по-прежнему Opus. Постоянный расход токенов идет независимо от того, сидите вы за компьютером или нет. Решение: переключить heartbeat на Minimax, снизить частоту до двух раз в день через cron вместо интервалов, включить light context mode, выставить isolated sessions в true и задать active hours, чтобы процесс работал только в рабочее время. Одно это убирает огромную часть фонового расхода. Компактинг: одна команда срезает нагрузку токенов вдвое Еще один скрытый множитель расходов прячется в истории переписки. Если вы общались с агентом весь день и контекстное окно заполнено на 50-70%, каждое новое сообщение гонит весь этот объем через API заново. Команда compact сжала контекст с 55K токенов до 23K - меньше половины нагрузки на каждое сообщение после этого. Параллельно стоит выставить max output tokens на 2048 в конфиге. Без этого ограничения агент может вернуть тысячи токенов в одном ответе, когда хватило бы пары сотен. Одна строчка в конфиге - и расход на вывод падает моментально. QMD: поиск по файлам без загрузки в контекстное окно Есть еще один источник мусорного расхода, который накапливается со временем. По мере того как у вас копятся markdown-файлы (заметки, конфиги агентов, память), агент перечитывает их все при каждом вопросе. Полный текст файлов грузится прямо в контекстное окно, сжигая токены на контент, который вообще не связан с вашим запросом. QMD решает эту проблему. Это локальный поисковый движок для markdown, который превращает заметки в индекс с ре-ранкингом. Агент находит нужное без загрузки целых файлов в контекст. Ставится с GitHub, добавляется в agents.md, и каждый файловый запрос начинает стоить копейки. Итог: $600 превращаются в $25 Без оптимизации: Opus на каждом действии, heartbeat каждые 30 минут, полный контекст в каждом сообщении, без лимита на вывод, полное чтение файлов. $300-$600 в месяц. С оптимизацией: роутинг моделей через OpenRouter, авторежим для выбора по стоимости, дешевая модель на heartbeat через cron, регулярный компактинг, лимит вывода на 2048, QMD для поиска по файлам. $6-$25 в месяц. Тот же инструмент. Те же возможности. Те, кто реально получает результат от ИИ-автоматизации, не тратят больше всех на токены. Они один раз настроили систему, взяли расходы под контроль и сфокусировались на построении воркфлоу, которые решают дорогие проблемы. Все шесть настроек занимают около 10 минут. Экономия начинается сразу. https://vc.ru/ai/2862521-kak-sokratit-rashody-na-openclaw-na-95-i-platit-25-vmesto-600

Что ты только что сказал про Python?

⚡️ 8 хуков Claude Code, которые автоматизируют то, что вы вечно забываете Вы говорите Claude Code отформатировать файл, а он этого не делает. Просите не трогать .env, а он лезет туда первым делом. Напоминаете прогнать тесты перед завершением, а он забывает. Знакомо? Все потому, что CLAUDE.md по сути является рекомендацией. Claude читает его и следует ему примерно в 80% случаев. Хуки работают иначе. Это автоматические действия, которые срабатывают каждый раз, когда Claude редактирует файл, выполняет команду или завершает задачу. Ниже разберем 8 готовых хуков, которые можно скопировать прямо в settings.json и больше о них не вспоминать. https://uproger.com/8-hukov-claude-code-kotorye-avtomatiziruyut-to-chto-vy-vechno-zabyvaete/

☠️ Новая атака на цепочку поставок — на этот раз затронут npm-пакет axios, самый популярный HTTP-клиент с ~300 млн загрузок в неделю. Уязвимость проявляется через зависимости: в одном из кейсов пакет подтянулся через googleworkspace/cli, использовавшийся для работы с Gmail и Google Calendar. При этом установленная версия оказалась безопасной — 1.13.5. Однако зависимость не была зафиксирована (unpinned), и при установке в другое время могла подтянуться уже заражённая версия. Это ключевая проблема всей экосистемы: если версии не закреплены, сборка может в любой момент «подхватить» компрометированный релиз. Частично защититься можно локальными мерами — например: ограничивать минимальный «возраст» релизов, использовать контейнеры, проверять зависимости. Но системно проблему должны решать сами пакетные менеджеры (pip, npm и др.), меняя дефолтное поведение. Иначе одна заражённая версия, даже если её быстро находят и удаляют, успевает разойтись по тысячам проектов через незакреплённые зависимости. Подробный разбор: https://stepsecurity.io/blog/axios-compromised-on-npm-malicious-versions-drop-remote-access-trojan

Claude Code — это уже не просто инструмент. Это система разработки с памятью, автоматизацией и агентами. Коротко по сути: • CLAUDE.md — мозг проекта Хранит архитектуру, правила и контекст. Загружается автоматически. • Skills — навыки Позволяют автоматизировать ревью, тесты, деплой и любые процессы. • Hooks — автодействия Запускают проверки и действия без твоего участия. • Agents — параллельная работа Разбивают задачи и выполняют их одновременно. • Workflow plan → execute → auto Минимум ручной работы, максимум результата. • Структура .claude / skills / commands / agents Всё как у полноценной инженерной системы. • Безопасность permissions, sandbox, контроль доступа. Это уже не про «спросить у ИИ». Это про «дать задачу и получить результат». Сохрани себе - пригодится.

Архитектура Docker, если убрать лишнее, выглядит очень просто: Есть образ (image) - это слепок приложения с зависимостями. Один раз собрал - запускаешь где угодно. Есть контейнер (container) - это уже запущенный образ. По сути изолированный процесс с файловой системой, сетью и настройками. Docker Engine - сердце всей системы. Он принимает команды через CLI/API и управляет контейнерами. Docker Daemon - фоновый процесс, который: • создаёт контейнеры • запускает их • следит за состоянием Docker Client - то, через что ты работаешь (docker CLI). Docker Hub / Registry - место, где хранятся образы. Оттуда ты делаешь pull, туда - push. Как это работает в реальности: Ты пишешь Dockerfile → docker build → получаешь image docker push → отправляешь в registry На сервере: docker pull → скачал docker run → запустил контейнер Зачем это: Одинаковая среда везде (dev = prod) быстрый деплой без «у меня работает» изоляция сервисов масштабирование через контейнеры Если упростить до одной мысли: Docker - это не про контейнеры. Это про предсказуемый запуск кода в любой среде.

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.