Это, пожалуй, самая ловкая задача, которую я видел у человекоподобного робота.

Полностью автономно, на движке Sharpa CraftNet (VTLA), с тактильной обратной связью, которая позволяет в реальном времени подстраивать взаимодействие на уровне последних миллиметров.

👉 @PythonPortal

Viber + coder = multitasking chaos.

👉 @PythonPortal

Первый по-настоящему открытый аудио-видео модельный стек.

LTX-2 это базовая модель на DiT с полноценными возможностями генерации видео в одном унифицированном варианте.

Спроектирована так, чтобы запускаться локально на потребительских GPU.

- text-to-video
- image-to-video
- и video-to-video режимы

100% open-source

👉 @PythonPortal

VS Code прокачали и завезли Agent Skills - открытый стандарт от Anthropic для расширения AI-агентов специализированными возможностями.

Работает с Claude Code и скоро будет поддержка Cursor.

👉 @PythonPortal

Эта новая графовая БД в 496 раз быстрее Neo4j!

Давайте разберем почему:

Классическая графовая БД хранит две вещи: узлы (entities) и ребра (relationships между ними).

Когда вы делаете запрос в классическую графовую БД, она делает обход через pointer chasing:

→ стартуем с узла
→ переходим по указателю к связанному узлу
→ еще один указатель
→ и так далее

Это по своей природе последовательный процесс. Один hop за раз. И по мере роста графа это становится болезненно медленным.

FalkorDB задает другой вопрос:

А что если представить весь граф как матрицу?

Как это работает:

Представьте обычную таблицу. Строки — source nodes, колонки — destination nodes.

Если Mary подписана на Bob, ставим в позицию [Mary, Bob] = 1.

Все. Весь граф теперь это матрица из 1 и 0.

Назовем ее матрицей Follows (F).

Дальше интереснее:

Хотите узнать на кого подписаны друзья Mary? В классической графовой БД вам нужно сделать два перехода: Mary → друзья → друзья друзей.

Но с матрицами вы просто умножаете матрицу Follows саму на себя: F × F = F².

Это одна операция — и готово!

А более сложный паттерн вида “A follows B, B likes C” превращается в: Follows × Likes.

То есть traversal можно выразить через математику.

Почему это важно:

- матричные операции оптимизируются уже больше 50 лет
- современное железо (CPU/GPU) заточено под матрицы
- операции выполняются параллельно (pointer chasing не может)

Плюс есть еще несколько оптимизаций (например sparse matrices, реализация на C и т.д.), и все это делает FalkorDB в 496 раз быстрее Neo4j.

График на фото это хорошо показывает.

Классические графовые БД идут через Cypher QL → Pointer-Based Traversal, а FalkorDB использует Matrix-Aware Planner, который превращает запросы в матричные операции.

FalkorDB полностью строится на этом принципе:

- нативный модуль Redis (in-memory и очень быстрый)
- использует GraphBLAS для sparse matrix вычислений
- автоматически транслирует Cypher-запросы в матрическую алгебру

Это важная тема для AI-приложений, потому что…

Современным AI-агентам и RAG-системам нужно обходить сложные связи в реальном времени. Когда агент делает reasoning через knowledge graph, связывая пользователей, действия и результаты — каждая миллисекунда задержки складывается.

Vector DBs ловят семантическую близость. Но они не держат явных связей.

Knowledge graphs закрывают эту дыру.

И когда вашему агенту нужно делать multi-hop reasoning по тысячам связанных сущностей, матричный traversal упрощает масштабирование AI-приложения без проблем с задержками.

FalkorDB полностью open-source, вы можете посмотреть реализацию на GitHub и попробовать сами.

Ссылка на GitHub-репозиторий

👉 @PythonPortal

Tailwind уволила 75% своего персонала, потому что почти никто их не поддерживает.

В отчаянной попытке избежать банкротства они выпустили свой фильм в кинотеатрах.

Честно говоря, вы бы заплатили, чтобы посмотреть его? 😆

👉 @PythonPortal

А что если обучать AI-агентов на обычном ноуте было бы так же просто, как на GPU-кластере?

Команда из UIUC U Lab под руководством проф. Jiaxuan You выложила в опенсорс OpenTinker.

Это новая система формата Reinforcement-Learning-as-a-Service (RLaaS), которая разбивает тяжелый RL-пайтлайн на простые распределенные сервисы с удобными API.

Итог — снимает большую часть инженерных болячек вокруг RL, обгоняя классические фреймворки по доступности и простоте деплоя, наконец-то делая обучение агентов реалистичным вариантом для обычных разработчиков и команд.

Project: https://open-tinker.github.io/opentinker-page/
Code: https://github.com/open-tinker/OpenTinker
U Lab: https://github.com/ulab-uiuc

👉 @PythonPortal

Научная фантастика, на которой мы выросли, становится реальностью в 2026 году 👀

👉 @PythonPortal

😆😆😆

👉 @PythonPortal

4 парадигмы обучения в машинном обучении, объяснённые визуально:

1. Transfer Learning
2. Fine-tuning
3. Multi-task Learning
4. Federated Learning

👉 @PythonPortal

кресло для программирования против кресла для отладки.

👉 @PythonPortal

Сейчас ИИ-инструменты уже умеют читать сообщения, размышлять над ними и сами дергать нужные функции.

Для сборки таких связок есть LangChain — популярный фреймворк, который позволяет подружить языковые модели, инструменты и приложения.

В этом туториале показывают, как собрать и задеплоить своего ИИ-агента на связке LangChain, FastAPI и Sevalla.

👉 @PythonPortal