Generative AI


Гео и язык канала: Россия, Русский
Категория: Технологии


@haarrp - по всем вопросам

Связанные каналы  |  Похожие каналы

Гео и язык канала
Россия, Русский
Категория
Технологии
Статистика
Фильтр публикаций


Репост из: Machinelearning
✔️ 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


Репост из: Анализ данных (Data analysis)
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


Репост из: Машинное обучение RU
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.


Репост из: Machinelearning
Видео недоступно для предпросмотра
Смотреть в Telegram
✔️ 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


Репост из: Machine learning Interview
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


Репост из: Neural Networks | Нейронные сети
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


Самые быстрорастущие репозитории GitHub


🚀 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




🚀 Локальный ИИ-сервер на Mac

Если хочешь запускать модели вроде Qwen, Llama или Mistral прямо на своем Mac — обрати внимание на проект Osaurus. Это open-source сервер для локального запуска LLM, который полностью оптимизирован под Apple Silicon и работает через MLX — фреймворк машинного обучения от Apple. По сути он превращает твой Mac в локальный AI-сервер, к которому можно обращаться как к OpenAI API.

Самое интересное — он полностью локальный. Модели скачиваются и запускаются прямо на твоем устройстве, поэтому данные никуда не отправляются и интернет вообще не обязателен. Поддерживаются популярные модели вроде Qwen, Llama, Gemma и Mistral, а при необходимости можно подключать и облачные провайдеры вроде OpenAI или

Для разработчиков это особенно удобно. Osaurus предоставляет API, совместимый с OpenAI и Ollama, поэтому многие существующие инструменты и библиотеки работают без изменений. Можно подключать агентов, плагины, автоматизацию задач и даже давать ИИ доступ к файлам, git-репозиториям или браузеру.

Если давно хотел локальный ИИ прямо на ноутбуке — это один из самых удобных и быстрых способов начать.



установка через Homebrew
brew install --cask osaurus

запуск локального AI-сервера
osaurus

проверить список моделей
curl http://127.0.0.1:1337/v1/models

# пример запроса как к OpenAI API
curl http://127.0.0.1:1337/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "llama-3.2-3b-instruct-4bit",
"messages": [
{"role":"user","content":"Explain transformers in simple words"}
]
}'

репозиторий проекта
https://github.com/osaurus-ai/osaurus

🎯'https://t.me/addlist/2Ls-snqEeytkMDgy' rel='nofollow'>Полезные Мл-ресурсы 🚀 Max

https://www.youtube.com/shorts/KCvJKHE1tw0


🚀 OpenClaw - это open-source агентная система для автономного анализа и эксплуатации инфраструктуры. По сути - AI-пентестер/AI-оператор, который умеет планировать шаги, вызывать инструменты и действовать как исследователь внутри среды.

Готовый сетап для быстрого запуска OpenClaw - ставь Docker + Docker Compose, подними OpenClaw в контейнере и подключи модель через Ollama (qwen2.5-coder:7b) - так ты сразу убираешь ад зависимостей и получаешь повторяемый запуск на любой машине за 10 минут.


# 1) Docker + Compose
sudo apt update
sudo apt install -y docker.io docker-compose
sudo systemctl enable --now docker

# 2) OpenClaw
git clone https://github.com/openclaw/openclaw.git
cd openclaw

# 3) Ollama + модель (локально)
curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen2.5-coder:7b

# 4) .env (если нет - создай)
cat > .env


Многие до сих пор не понимают: развитие AI уже невозможно замедлить.

США находятся в прямой конкуренции с Китаем. Любое замедление означало бы потерю технологического лидерства и дало бы Китаю шанс первым выйти на уровень сверхинтеллекта.

При этом AI - это вопрос стратегической важности, особенно в военной сфере: автономные дроны, роботизированные системы, кибероперации.

Поэтому темпы развития AI сегодня определяются не только технологиями, но и геополитической конкуренцией и борьбой за глобальное влияние.

https://www.theguardian.com/us-news/2026/feb/21/ai-revolution-bernie-sanders-warning


🔌 OpenAI продолжает собирать лучшие умы индустрии.

На этот раз компания пригласила к себе Питера Штайнбергера - создателя нашумевшего проекта OpenClaw.

Сам Альтман назвал его «гением». В OpenAI он будет работать над следующим поколением персональных AI-агентов и именно агенты, по словам компании, станут основой будущих продуктов.

OpenClaw не закрывают.
Проект останется open-source, и OpenAI обещает продолжать его поддержку.

Но самое впечатляющее - скорость.

Путь OpenClaw:
- идея и разработка одним человеком
- быстрый рост и хайп в сообществе
- приглашение в OpenAI

Всё это - за 82 дня.

В эпоху AI окно возможностей стало экстремально коротким.
Один сильный проект может изменить карьеру за пару месяцев.

Мотивация простая: сейчас лучшее время, чтобы запускать своё.

https://x.com/sama/status/2023150230905159801?s=46


🚀 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


✔️ Февраль может стать безумным для мира ИИ.

Слухи и ожидания говорят о целой волне крупных релизов в ближайшие 30 дней:

• DeepSeek V4
• ByteDance Doubao 2.0
• Alibaba Qwen 3.5
• Kling 3.0
• Seedance 2.0
• GPT-5.3
• Grok 4.20
• Claude 4.6
• Gemini 3 (GA)
• Siri от Apple на базе Gemini
• Meta Avocado
• новый Codex

Если хотя бы половина из этого выйдет, нас ждёт резкий скачок в возможностях моделей — от генерации текста и кода до видео, мультимодальности и встроенных AI-функций в повседневных продуктах.

Гонка ускоряется: крупные лаборатории, бигтех и китайские компании выпускают новые поколения моделей всё быстрее, и каждый релиз поднимает планку ожиданий.

Ближайший месяц может сильно поменять расклад сил в AI-индустрии.


Сотрудники казино в Китае разоблачили женщину, использующую высокотехнологичные контактные линзы во время игры.

Показано 20 последних публикаций.