Python/ django

Baseten выпустила бесплатный учебник по инженерии инференса

Платформа, которая хостит модели Cursor, Notion и Harvey, выложила https://www.baseten.co/inference-engineering/)' rel='nofollow' target='_blank'>(https://www.baseten.co/inference-engineering/)' rel='nofollow' target='_blank'>https://www.baseten.co/inference-engineering/)
 в открытый доступ книгу Inference Engineering за авторством Филипа Кайли. который четыре года работает в Baseten и написал её по интервью с инженерами компании и собственным докладам.

Среди рецензентов - автор FlashAttention Три Дао.

Книга собирает в одном месте путь от выбора модели и GPU до мониторинга работающего сервиса.

Baseten основана в 2019 году тремя выходцами из Gumroad, четвёртым сооснователем стал Панкадж Гупта из Uber.

Компания продаёт выделенные развёртывания открытых и собственных моделей клиентов, готовые Model APIs и инфраструктуру для дообучения, а также развивает открытый фреймворк упаковки моделей Truss.

Восемь глав объясняют, как сформулировать требования к продукту, как устроены модели и где они тормозят, прежде всего в механизме внимания, разбирают GPU NVIDIA поколений Hopper и Blackwell и программный уровень, от CUDA и PyTorch до движков vLLM, SGLang, TensorRT-LLM и Dynamo.

Отдельные главы посвящены методам ускорения, моделям для речи, изображений и видео, а также эксплуатации - от автомасштабирования и батчинга до постепенной выкатки новых версий.

Новичку книга даёт карту области и порядок действий - как определить задачу, бюджет задержки, стоимости и подобрать модель, а в последующем заняться оптимизацией.

Базовые понятия вроде предзаполнения, декодирования и KV-кэша объяснены с нуля, а незнакомые термины можно найти в глоссарии.

Опытным инженерам будут интересны пороги и практические правила. Для каждой техники ускорения автор объясняет, как она устроена, при каком трафике и размере модели окупается и чем рискует качество ответов.

Отдельно сравниваются движки инференса и разобраны задачи эксплуатации, которые обычно приходится решать методом проб и ошибок.

Последний раздел посвящён продуктам компании, а оборудование рассматривается почти целиком на примере NVIDIA, другим ускорителям отведено около двух страниц.

🔜 Запросить книгу бесплатно в форматах PDF, EPUB или https://www.baseten.co/inference-engineering/digital-download/)' rel='nofollow' target='_blank'>аудиоверсию (https://www.baseten.co/inference-engineering/digital-download/)' rel='nofollow' target='_blank'>https://www.baseten.co/inference-engineering/digital-download/)


#AI #ML #Inference #Book #Baseten

Какая зависимость держит ваш Django на старой версии?

django-upgrade-report читает зависимости проекта, проверяет заявленную совместимость на PyPI и составляет план обновления:

- Какие пакеты блокируют переход.
- Что можно обновить заранее.
- Что нужно обновлять одновременно с Django.
- Где потребуется ручная проверка.

Поддерживает lock-файлы uv, Poetry, PDM, Pipenv и requirements.txt. Подбирает минимальную подходящую версию пакета, чтобы сократить масштаб изменений.

Запуск из папки проекта:
uvx django-upgrade-report
Отчёт можно сохранить в HTML, Markdown или JSON и подключить к CI. Совместимость оценивается по метаданным пакетов, поэтому тесты проекта всё равно нужны.

https://github.com/derblub/django-upgrade-report

🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов

На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.

Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование.

Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.

Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.

https://github.com/justxor/claude-code-pro-course

Вопросы на собеседовании Python Senior: 100 вопросов с ответами (2026)

Вопросы на собеседовании Python Senior с ответами: 100 вопросов и примеры кода — CPython, GIL, asyncio, метаклассы, типизация, производительность, Python 3.14.

https://uproger.com/voprosy-na-sobesedovanii-python-senior/

💸 Anthropic опубликовала практический гайд по снижению расходов на Claude API

Главная мысль: оптимизировать нужно не цену токена, а стоимость успешно выполненной задачи. Более дорогая модель иногда оказывается дешевле, если решает задачу за меньшее число шагов.

Anthropic предлагает такой порядок:

- сначала включить prompt caching - для агентных циклов это один из самых сильных способов экономии;
- убрать лишние входные и выходные токены;
- сокращать ненужные итерации агента;
- для фоновых задач использовать Batch API, где стоимость токенов снижается на 50%;
- только после этого экспериментировать с effort и более дешевыми моделями.

Интересный вывод: переход на более дешевую модель - далеко не первый шаг оптимизации. Сначала стоит выжать максимум из архитектуры запросов и кеширования.

Гайд: https://github.com/anthropics/skills/blob/main/skills/claude-api/shared/cost-optimization.md

🖥 Примеры кода на Python 2026: лучшие практики, разбор и задачи с решениями
Python примеры кода 2026 - практическое руководство на русском языке: разбор лучших примеров кода на Python, современные паттерны Python 3.12–3.14, чистый код, асинхронность, типизация, тестирование и задачи для практики с решениями. Подходит для начинающих, junior- и middle-разработчиков, а также для подготовки к собеседованию по Python.
Ключевые темы: примеры кода Python, лучшие практики Python 2026, python для начинающих, задачи по Python с решениями, чистый код на Python, асинхронный Python, asyncio примеры, типизация в Python, pytest примеры, FastAPI пример, парсинг на Python, подготовка к собеседованию Python, Python 3.14 новые
https://github.com/justxor/python-primery-koda-2026/

⚡ Qwen представила Audio 3.1 - единый стек для ASR, TTS и realtime-аудио.

Главное:

* ASR лучше распознаёт языки и диалекты, убирает повторы и слова-паразиты.
* ASR-Next разделяет спикеров, ставит таймкоды, распознаёт эмоции и окружающие звуки.
* TTS поддерживает перенос голоса между языками и управление стилем, скоростью и эмоцией.
* TTS-Next генерирует сразу голос + эффекты + фон через связку LM + diffusion.
* Realtime умеет одновременно слушать и говорить с естественными перебиваниями.

Плюс сильно снизили цены: TTS ~−70%, Realtime ~−85%, ASR до −95%.


- Qwen-Audio-3.1-ASR:
https://qwencloud.com/models/qwen-audio-3.1-asr-flash-filetrans
- Qwen-Audio-3.1-Realtime:
https://qwencloud.com/models/qwen-audio-3.1-realtime-plus

Как правильно получить случайное число в Python

Если нужен диапазон от **1 до 100 включительно**, используйте:


import random

x = random.randint(1, 100)


Можно импортировать функцию напрямую:

```python
from random import randint

x = randint(1, 100)
```

Второй вариант просто короче, но не делает код «профессиональнее».

`int(random.random() * 100)` возвращает числа от **0 до 99**, поэтому пример на изображении даёт другой диапазон.

Для паролей, токенов и других задач безопасности используйте `secrets`:


import secrets

x = secrets.randbelow(100) + 1

Prism ML собрала тернарную версию Qwen3.8-27B

Bonsai 2 27B https://prismml.com/news/bonsai-2-27b)' rel='nofollow' target='_blank'>(https://prismml.com/news/bonsai-2-27b)' rel='nofollow' target='_blank'>https://prismml.com/news/bonsai-2-27b)
 - сжатая Qwen3.8-27B, которая занимает 5,9 ГБ против примерно 54 ГБ у исходной модели в FP16 и сохраняет 98,2% её среднего результата на бенчмарках.

Prism ML - американский стартап из команды Калтеха, вышедший из стелс-ркжима весной 2026 года с анонсомhttps://prismml.com/news/bonsai-8b)' rel='nofollow' target='_blank'> (https://prismml.com/news/bonsai-8b)' rel='nofollow' target='_blank'>https://prismml.com/news/bonsai-8b)
 первой версии моделей Bonsai.

Основатель и руководитель - профессор Калтеха Бабак Хассибhttps://www.ee.caltech.edu/people/hassibi),' rel='nofollow' target='_blank'>и (https://www.ee.caltech.edu/people/hassibi),' rel='nofollow' target='_blank'>https://www.ee.caltech.edu/people/hassibi),
специалист по теории сжатия. Среди инвесторов стартапа Cerberus, Google и Samsung.

Модель рассчитана на локальный запуск на потребительском оборудовании, имеет контекст в 262 тысячи токенов и может обрабатывать изображения и вызывать инструменты.

Целевые сценарии - агенты в редакторе кода, работа с компьютером, разбор документов без отправки их в облако.

Вес в тернарном квантовании хранится не числом, а одним из трёх знаков: минус, ноль или плюс. Сами величины задаются отдельно - веса разбиты на группы по 128, и у каждой группы один общий множитель в FP16.

В пересчёте на один вес это 1,72 бита против 16 у исходной модели. Перед сжатием веса каждой матрицы разворачивают фиксированным преобразованием Адамара, сам разворот вписан в веса, но при работе его нужно повторить на входных данных, иначе модель выдаёт бессмыслицу.

Распознавание картинок сжатие не проходило, лежит отдельным файлом на 0,6 ГБ и подгружается только тогда, когда на вход пришло изображение, так что текстовые задачи его не задействуют.

🟡В релизе три варианта

🟢GGUF в двух упhttps://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf)' rel='nofollow' target='_blank'>аковках: (https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf)' rel='nofollow' target='_blank'>https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf)
 PTQ1_0 (1,75 бита, 5,95 ГБ, быстрее на картах Ada и L4) и PQ2_0 (2,13 бита, 7,21 ГБ, быстрее на H100 и Blackwell);

🟢сборкhttps://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-mlx-2bit)' rel='nofollow' target='_blank'>а под MLX (https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-mlx-2bit)' rel='nofollow' target='_blank'>https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-mlx-2bit)
 на 8,60 ГБ вместе со зрением;

🟠тестоваhttps://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf-dev)' rel='nofollow' target='_blank'>я упаковка (https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf-dev)' rel='nofollow' target='_blank'>https://huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf-dev)
 Q2_0 для доработки ядер.

Для GGUF нужен специальный форhttps://github.com/PrismML-Eng/llama.cpp)' rel='nofollow' target='_blank'>к llama.cpp (https://github.com/PrismML-Eng/llama.cpp)' rel='nofollow' target='_blank'>https://github.com/PrismML-Eng/llama.cpp)
 от Prism ML, для MLX - загрузчик из самого пакета.

🟡Бенчмарки

Замеры Prism ML считали через EvalScope и vLLM на H100, в режиме рассуждения, всего провели 14 тестов. Сравнивали со сборки той же Qwen3.8-27B в квантованиях UD-Q4_K_XL и IQ2_XXS.

Среднее по всем тестам: 84,78 против 86,32 у FP16 и 72,59 у IQ2_XXS. До четырёхбитной сборки не хватило 0,4 пункта при втрое меньшем размере.

AIME26: 95,83 против 94,58 у FP16 и 57,50 у IQ2_XXS.

LiveCodeBench: 90,07 против 90,05 и 56,40 соответственно.

BFCL v3 (вызов инструментов): 74,92 против 76,74 у FP16.

MMMU-Pro: 75,49 против 81,73.

Скорость генерации на RTX 5090 примерно 129 токенов в секунду, на ноутбучном M5 Pro - 28 токенов в секунду.


📌Лицензирование: https://prismml.com/news/bonsai-2-27b)' rel='nofollow' target='_blank'>Apache 2.0


🟡Блогпост (https://prismml.com/news/bonsai-2-27b)' rel='nofollow' target='_blank'>https://prismml.com/nehttps://huggingface.co/collections/prism-ml/bonsai-2)' rel='nofollow' target='_blank'>ws/bonsai-2-27b)
🟡Веса (https://huggingface.co/collections/prism-ml/bonsai-2)' rel='nofollow' target='_blank'>https://huggingface.co/collections/prism-https://github.com/PrismML-Eng/Bonsai-demo/blob/main/bonsai-2-27b-whitepaper.pdf)' rel='nofollow' target='_blank'>ml/bonsai-2)
🟡Техотчет (https://github.com/PrismML-Eng/Bonsai-demo/blob/main/bonsai-2-27b-whitepaper.pdf)' rel='nofollow' target='_blank'>https://github.com/PrismML-Eng/Bonsai-demo/blob/main/bonsai-2-27b-whitepapehttps://huggingface.co/spaces/webml-community/ternary-bonsai-2-webgpu-kernels)' rel='nofollow' target='_blank'>r.pdf)
🟡Демо на WebGPU (https://huggingface.co/spaces/webml-community/ternary-bonsai-2-webgpu-kernels)' rel='nofollow' target='_blank'>https://huggingface.co/spaces/webml-community/ternary-bonsai-2-webgpu-kernels)https://discord.gg/prismml)' rel='nofollow' target='_blank'>
🟡Сообщество в Discord (https://discord.gg/prismml)' rel='nofollow' target='_blank'>https://discohttps://github.com/PrismML-Eng/Bonsai-demo/)' rel='nofollow' target='_blank'>rd.gg/prismml)
🖥GitHub (https://github.com/PrismML-Eng/Bonsai-demo/)' rel='nofollow' target='_blank'>https://github.com/PrismML-Eng/Bonsai-demo/)


#AI #ML #LLM #Bonsai #PrizmML

⚡️OpenAI заявила о решении более 100 открытых задач по математике 🤯
28 августа OpenAI начала обучать новую внутреннюю модель. Спустя всего 24 дня компания утверждает, что система уже решила более 100 давних открытых задач почти во всех областях математики.

По данным OpenAI, темп прогресса удивил даже математиков внутри компании. Этой же модели приписывают недавнее решение задачи Навье - Стокса из списка проблем тысячелетия.

Для оценки значимости результатов и организации их публикации создана независимая консультативная группа. В неё вошли:

- Эдвард Виттен;
- Тимоти Гауэрс;
- Мартин Хайрер;
- Рави Вакил;
- Мелани Матчетт Вуд;
- ещё четыре известных математика.

Участники не получают оплату от OpenAI и смогут публично комментировать действия компании. Сейчас большинство заявленных решений ещё не опубликовано и не прошло независимую проверку.

🔗 https://openai.com/index/advisory-group-on-mathematics-and-ai/

🐍 Ruff доволен, mypy молчит, тесты зелёные. А в коде четыре одинаковых функции

Автор статьи столкнулся с этим в проекте, который писал ИИ-агент. Вместо поиска готовых функций агент добавлял новые копии. Когда понадобилось изменить нормализацию данных, он уже не мог разобраться, какую из четырёх править.

Обычные проверки не покрывают всю структуру проекта:

* Ruff находит нарушения правил и умеет проверять сложность при соответствующей настройке.
* mypy проверяет типы.
* pytest проверяет сценарии, для которых написаны тесты.

При этом дублирование между файлами, неиспользуемые функции и нарушения архитектурных границ могут остаться незамеченными.

Автор предлагает добавить структурный анализ. Его инструмент pyscn ищет дубли, сложные функции, мёртвый код и нарушения правил зависимостей:
uvx pyscn analyze .
Что полезно забрать в свой проект:

* Блокировать в CI новые проблемы, а не сразу весь накопленный техдолг.
* Следить за изменением сложности, а не только за общей оценкой.
* Закрепить допустимые зависимости между модулями проверяемыми правилами.
* Дать агенту запускать анализатор до отправки кода на ревью.

Высокая сложность сама по себе ещё не повод переписывать функцию. Иногда длинная последовательность понятных проверок лучше искусственного дробления.

Статья — https://codescan.dev/blog/ruff-mypy-pytest-and-then-what

🚨 OpenAI обвинили в возможном использовании чужой неопубликованной математики

Математик Андреас Том заявил, что есть признаки того, что OpenAI могла обучать Astra на приватных обсуждениях, где он вместе с Габором Куном работал над гипотезой Громова о софичности - одной из задач, решение которой позже приписали Astra.

Если его версия подтвердится, спор будет уже не только о том, «кто решил задачу».

Речь пойдёт о том, могла ли неопубликованная работа исследователей попасть в обучающие данные модели, а затем быть представлена как самостоятельный прорыв ИИ.

Автор поста пишет, что похожие претензии ранее поднимали и другие исследователи.

Пока это именно обвинения, а не доказанный факт.

Но если появятся подтверждения, вопрос происхождения «научных открытий» моделей станет намного серьёзнее.

https://x.com/Machinelearrn/status/2098002641468985622

🎧 Spotify выпустила плагины для Claude Code, Codex и Cursor
Portal AI Plugins подключают ИИ-агента к Spotify Portal, чтобы он мог работать с каталогом сервисов и технической документацией команды.
Что умеют:
* искать сервисы и документацию по запросу обычным языком;
* собирать сводки: кто отвечает за сервис, его состояние, инциденты и связанные документы;
* проверять настройку CLI и авторизацию;
* запускать доступные действия Portal с предварительной проверкой и подтверждением.
В комплекте есть Shunt - дополнительный плагин для Claude Code. Он передаёт массовое чтение файлов и генерацию шаблонного кода более дешёвым моделям через AiKA.
Исходники доступны под Apache 2.0. Для работы потребуется доступ к Spotify Portal.
GitHub: https://github.com/spotify/portal-ai-plugins

🐍 Python считает эти даты равными. Хотя между ними целый час

В ночь перевода часов время 02:30 наступает дважды:
from datetime import datetime, UTC
from zoneinfo import ZoneInfo

tz = ZoneInfo("Europe/Berlin")

a = datetime(2026, 10, 25, 2, 30, tzinfo=tz, fold=0)
b = datetime(2026, 10, 25, 2, 30, tzinfo=tz, fold=1)

print(a)
# 2026-10-25 02:30:00+02:00

print(b)
# 2026-10-25 02:30:00+01:00
Это разные моменты:
a = 00:30 UTC
b = 01:30 UTC
Но Python выдаёт:
a == b       # True
b - a        # 0:00:00
len({a, b})  # 1
Причина: если у двух datetime один объект tzinfo, при сравнении Python игнорирует смещение и fold.

Из-за этого дедупликация может принять два платежа, заказа или события за одно.

Для сравнения реальных моментов переводите время в UTC:
a_utc = a.astimezone(UTC)
b_utc = b.astimezone(UTC)

a_utc == b_utc
# False

(b_utc - a_utc).total_seconds()
# 3600.0
Используйте astimezone(UTC). Метод replace(tzinfo=UTC) только заменяет метку и не пересчитывает время.

https://docs.python.org/3/library/datetime.html

https://peps.python.org/pep-0495/

GPT-6 Astra набрала 100% на ExploitBench - OpenAI ограничила генерацию PoC-эксплойтов

GPT-6 Astra показала 100% на ExploitBench - бенчмарке, который проверяет способность модели превращать известные уязвимости в рабочие эксплойты.

Для сравнения, GPT-5.6 Sol набирала 78,5%.

OpenAI также сообщает, что Astra значительно чаще достигает arbitrary code execution на свежих уязвимостях. В тестах использовались баги последних месяцев, включая две zero-day уязвимости.

Без защитных ограничений модель способна искать пути выполнения кода в hardened-браузерах и строить privilege escalation для защищённых ОС.

Из-за этого Astra достигла уровня Critical по кибербезопасности в Preparedness Framework OpenAI.

В публичной версии возможности специально ограничены:

- разрешены secure code review и поиск исправлений
- запросы на создание PoC-эксплойтов блокируются
- усилена защита от jailbreak
- добавлен дополнительный мониторинг потенциально опасных действий

Позже через программу OpenAI Daybreak компания планирует постепенно открывать больше возможностей для defensive security - проверку уязвимостей и PoC, анализ malware и detection engineering.

Одновременно OpenAI запускает программу на $1 млрд, чтобы предоставить frontier-модели специалистам, защищающим критическую инфраструктуру, банки, государственные системы и open-source проекты.

100% на ExploitBench хорошо показывает, насколько быстро frontier-модели превращаются из помощников программиста в серьёзные инструменты кибербезопасности.

🔥 AI Job Search - open-source система, которая превращает Claude Code в помощника по поиску работы

Она умеет:

- анализировать вакансии и оценивать, насколько они подходят
- подгонять CV под конкретную позицию
- писать сопроводительные письма
- готовить к интервью
- искать вакансии через отдельные skills
- хранить профиль, документы и историю откликов локально

Интересно, что автор сам использовал этот workflow для поиска работы: 69 адаптированных откликов → 20 первых интервью → 1 оффер. 

Проект построен как набор команд /setup, /scrape, /apply, /interview и легко форкается под свои сайты вакансий и рынок.

MIT License.

https://github.com/MadsLorentzen/ai-job-search

📌 Теренс Тао объяснил всю математику

Самый известный из ныне живущих математиков записал для Big Think полуторачасовое видео https://www.youtube.com/watch?v=OOMx2BHHWtE),' rel='nofollow' target='_blank'>(https://www.youtube.com/watch?v=OOMx2BHHWtE),' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE),
где раскладывает математику на шесть опорных концепций и объясняет, как они предвосхищали открытия в науке и что с ними будет дальше, когда в дело вошёл ИИ.

Видео сделано под его книгу Six Math Essentials, которая готовится к выходу.

Тао - профессор математики Калифорнийского университета, в десять лет взял бронзу на международной олимпиаде, в тринадцать - золото и до сих пор остаётся самым молодым золотым медалистом в её истории.

Докторскую защитил в Принстоне в двадцать один год, профессором в UCLA стал в двадцать четыре (тоже самым молодым за всю историю университета). Филдсовская медаль 2006 года, стипендия Макартура того же года, одна из первых Премий по прорывам в математике.

В последние годы он один из самых заметных голосов в дискуссии о том, что ИИ делает с математикой - недавно он объявлял об открытии реестра Palomar (https://t.me/ai_machinelearning_big_data/10769),
куда складывают доказательства на Lean после машинной проверки.

Числа, алгебра, геометрия, вероятность, анализ и динамика. Тао выбрал их потому, что все шестеро уходят корнями на тысячи лет назад, всем знакомы в начальном виде - и все за это время развились до крайне изощрённой математики.

Но если убрать техническую сложность, под ней остаются интуитивно понятные вещи, а сама математика - это лишь точный язык, позволяющий описать их аккуратно.

Видео разбито на три части: сами шесть понятий, затем то, как математика решает задачи науки, и в финале - как ИИ меняет математику и науку.

🟡Таймкоhttps://www.youtube.com/watch?v=OOMx2BHHWtE)' rel='nofollow' target='_blank'>ды

0:00 (https://www.youtube.com/watch?v=OOMx2BHHWtE)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE)
 Часть 1. Шесть опорных элементов математhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=74s)' rel='nofollow' target='_blank'>ики
1:14 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=74s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=74s)
 Числа: древнейшее изобретение, которым пользуются до сих https://www.youtube.com/watch?v=OOMx2BHHWtE&t=356s)' rel='nofollow' target='_blank'>пор
5:56 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=356s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=356s)
 Алгебра: правила, стоящие за правилаhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=699s)' rel='nofollow' target='_blank'>ми
11:39 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=699s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=699s)
 Геометрия: как греки измерили Луhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=810s)' rel='nofollow' target='_blank'>ну
13:30 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=810s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=810s)
 Вероятность: ставки на неопределённосhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=1020s)' rel='nofollow' target='_blank'>ть
17:00 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=1020s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=1020s)
 Анализ: как приручили бесконечносhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=1447s)' rel='nofollow' target='_blank'>ть
24:07 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=1447s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=1447s)
 Динамика: математика измененhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=1932s)' rel='nofollow' target='_blank'>ия

32:12 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=1932s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=1932s)
 Часть 2. Как математика решает задачи наhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=2070s)' rel='nofollow' target='_blank'>уки
34:30 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=2070s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=2070s)
 Три открытия, изменившие https://www.youtube.com/watch?v=OOMx2BHHWtE&t=2897s)' rel='nofollow' target='_blank'>мир
48:17 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=2897s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=2897s)
 Почему математика работает и как её делают на самом дhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=3269s)' rel='nofollow' target='_blank'>еле

54:29 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=3269s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=3269s)
 Часть 3. Как ИИ навсегда меняет математику и науhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=4058s)' rel='nofollow' target='_blank'>ку
1:07:38 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=4058s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=4058s)
 Почему быстрее не всегда лучhttps://www.youtube.com/watch?v=OOMx2BHHWtE&t=4518s)' rel='nofollow' target='_blank'>ше
1:15:18 (https://www.youtube.com/watch?v=OOMx2BHHWtE&t=4518s)' rel='nofollow' target='_blank'>https://www.youtube.com/watch?v=OOMx2BHHWtE&t=4518s)
Что ИИ умеет сейчас и что поставлено на карту

🔜 Для тех, кто без Ютуба - видео иhttps://bigthink.com/series/full-interview/6-essential-mathematical-concepts/).' rel='nofollow' target='_blank'> транскрипт (https://bigthink.com/series/full-interview/6-essential-mathematical-concepts/).' rel='nofollow' target='_blank'>https://bigthink.com/series/full-interview/6-essential-mathematical-concepts/).

🔥 Вышли официальные GGUF-квантизации GLM-5.3 Flash Uncensored

Модель: 320B параметров, 18B активных.

Доступные варианты:

- Q6_K — 263 ГБ / 94,3% Top-1
- Q4_K_M — 193 ГБ / 89,8% Top-1 — рекомендуемый
- Q3_K_M — 153 ГБ / 85,6% Top-1
- Q2_K — 117 ГБ / 75,5% Top-1

Подходит для запуска на CPU + GPU, включая Apple Silicon.

Это не jailbreak: удаление отказов зашито прямо в веса модели.

API со стандартными весами:
https://orcarouter.ai/models/z-ai/glm-5.3-flash

Uncensored GGUF:
https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-GGUF

🔥 Anthropic впервые открывает внешним исследователям доступ к данным о реальном использовании Claude
Исследователи смогут изучать агрегированные и защищённые данные из реальных Claude.ai
и Claude Code-сессий - то, что раньше фактически было доступно только внутри AI-лабораторий.
В пилоте уже участвуют Stanford, Oxford и METR. Они анализируют около 250 000 разговоров с Claude.
Первые результаты Stanford: более половины изученных диалогов связаны с consequential tasks - задачами, которые влияют на других людей или последствия которых трудно отменить.
Anthropic теперь хочет масштабировать программу и дать доступ большему числу независимых исследователей.
https://www.anthropic.com/research/enabling-independent-research