🔥 Qwen-CUA показывает: сильному компьютерному агенту достаточно экрана, мыши и клавиатуры
Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.
Без:
- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.
Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.
Для обучения использовали:
- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.
Главная проблема таких агентов — длинные задачи.
Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.
Qwen-CUA решает это через визуальную память:
- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.
Результаты:
- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.
Самый интересный вывод:
Скриншот может стать универсальным API для AI-агентов.
Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.
📄 Paper:
https://arxiv.org/abs/2608.02352
Qwen-CUA: Native Computer Use for (almost) Everything
Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.
Без:
- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.
Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.
Для обучения использовали:
- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.
Главная проблема таких агентов — длинные задачи.
Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.
Qwen-CUA решает это через визуальную память:
- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.
Результаты:
- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.
Самый интересный вывод:
Скриншот может стать универсальным API для AI-агентов.
Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.
📄 Paper:
https://arxiv.org/abs/2608.02352
Qwen-CUA: Native Computer Use for (almost) Everything
🚀 Go 1.27: что нового в следующем большом обновлении Go
Go продолжает развивать не синтаксис ради синтаксиса, а то, что реально влияет на production-сервисы.
Главные изменения:
🧬 Generic methods
Методы смогут иметь собственные type parameters:
Это открывает новые возможности для обобщённых библиотек.
⚡ Улучшения работы с памятью
Компилятор получил оптимизации для маленьких аллокаций.
Результат:
- меньше overhead при создании объектов;
- быстрее работа с большим количеством мелких структур;
- улучшения для allocation-heavy приложений.
📦 Новый
Появляется экспериментальная новая версия JSON-пакета:
Цель - решить старые ограничения
🔍 Улучшения runtime
Изменения затронули:
- профилирование goroutine;
- trace;
- таймеры;
- внутренние оптимизации runtime.
Go 1.27 показывает привычный подход команды Go:
меньше магии - больше предсказуемости и производительности в production.
Не революция, а очередная шлифовка языка, который уже лежит в основе Kubernetes, облаков и высоконагруженных систем.
Подробнее:
https://victoriametrics.com/blog/go-1-27/
Go продолжает развивать не синтаксис ради синтаксиса, а то, что реально влияет на production-сервисы.
Главные изменения:
🧬 Generic methods
Методы смогут иметь собственные type parameters:
type Box[T any] struct {
Value T
}
func (b Box[T]) Map[R any](fn func(T) R) Box[R] {
return Box[R]{fn(b.Value)}
}
Это открывает новые возможности для обобщённых библиотек.
⚡ Улучшения работы с памятью
Компилятор получил оптимизации для маленьких аллокаций.
Результат:
- меньше overhead при создании объектов;
- быстрее работа с большим количеством мелких структур;
- улучшения для allocation-heavy приложений.
📦 Новый
encoding/json/v2Появляется экспериментальная новая версия JSON-пакета:
import "encoding/json/v2"
Цель - решить старые ограничения
encoding/json и сделать работу с JSON более современной.🔍 Улучшения runtime
Изменения затронули:
- профилирование goroutine;
- trace;
- таймеры;
- внутренние оптимизации runtime.
Go 1.27 показывает привычный подход команды Go:
меньше магии - больше предсказуемости и производительности в production.
Не революция, а очередная шлифовка языка, который уже лежит в основе Kubernetes, облаков и высоконагруженных систем.
Подробнее:
https://victoriametrics.com/blog/go-1-27/
🚀 Как ядро Linux создаёт пакеты переменной длины без лишних копирований
В C есть мощный паттерн — flexible array member.
Вместо хранения заголовка и данных отдельно:
можно сделать один непрерывный блок памяти:
Код:
Один
Почему это любят в системном коде:
✅ меньше аллокаций
✅ лучше работа с CPU cache
✅ проще сериализация
✅ нет лишних указателей и разрозненных данных
Такой подход используется в низкоуровневом коде: ядрах, драйверах, сетевых стеках.
До C99 часто писали:
и вручную обходили ограничения языка.
Теперь
«После структуры здесь будет динамический массив данных».
Маленькая особенность C, которая помогает писать быстрый код на уровне ядра.
В C есть мощный паттерн — flexible array member.
Вместо хранения заголовка и данных отдельно:
header → отдельно
payload → отдельно
можно сделать один непрерывный блок памяти:
+----------------+
| struct msg |
| len |
+----------------+
| payload data[] |
+----------------+
Код:
struct msg {
uint32_t len;
uint8_t data[];
};
struct msg *m = malloc(sizeof(*m) + n);
Один
malloc() → один блок памяти → один free().Почему это любят в системном коде:
✅ меньше аллокаций
✅ лучше работа с CPU cache
✅ проще сериализация
✅ нет лишних указателей и разрозненных данных
Такой подход используется в низкоуровневом коде: ядрах, драйверах, сетевых стеках.
До C99 часто писали:
uint8_t data[1];
и вручную обходили ограничения языка.
Теперь
data[] — официальный способ сказать:«После структуры здесь будет динамический массив данных».
Маленькая особенность C, которая помогает писать быстрый код на уровне ядра.
🚀 ИИ-агент ускорил SQLite до 59% меньше чем за 8 часов
Ускорить SQLite хотя бы на 5% уже было бы серьёзным результатом. Это один из самых зрелых и оптимизированных проектов в мире - его команда почти 20 лет выжимает из кода каждую долю производительности.
Но AI-агент KISS Sorcar менее чем за 8 часов и с затратами меньше $150 добился заметного ускорения сразу в нескольких типах нагрузки.
Результаты:
- 2,06× быстрее в официальном
- 1,90× в TATP — транзакционная OLTP-нагрузка
- 1,30× в Star Schema Benchmark — аналитические запросы
- 1,25× в
Агент нашёл места, где стандартная конфигурация SQLite несла лишние расходы — особенно при записи транзакций на диск.
После этого он:
- изменил код и настройки
- прогнал бенчмарки
- проверил свои же изменения на ошибки
- сохранил совместимость с существующими тестами
Более миллиона тестов SQLite продолжают проходить.
анализ зрелой кодовой базы → поиск узких мест → изменение реализации → бенчмарки → проверка собственных решений.
GitHub:
https://github.com/ksenxx/sqlite-optimized/
Blog: https://kisssorcar.github.io/blog/sqlite-optimization-blog.html
#AI #SQLite #Programming #CodingAgents #Performance #OpenSource
Ускорить SQLite хотя бы на 5% уже было бы серьёзным результатом. Это один из самых зрелых и оптимизированных проектов в мире - его команда почти 20 лет выжимает из кода каждую долю производительности.
Но AI-агент KISS Sorcar менее чем за 8 часов и с затратами меньше $150 добился заметного ускорения сразу в нескольких типах нагрузки.
Результаты:
- 2,06× быстрее в официальном
speedtest1 (~30 тыс. операций)- 1,90× в TATP — транзакционная OLTP-нагрузка
- 1,30× в Star Schema Benchmark — аналитические запросы
- 1,25× в
kvtest — работа с BLOB и дисковым I/OАгент нашёл места, где стандартная конфигурация SQLite несла лишние расходы — особенно при записи транзакций на диск.
После этого он:
- изменил код и настройки
- прогнал бенчмарки
- проверил свои же изменения на ошибки
- сохранил совместимость с существующими тестами
Более миллиона тестов SQLite продолжают проходить.
анализ зрелой кодовой базы → поиск узких мест → изменение реализации → бенчмарки → проверка собственных решений.
GitHub:
https://github.com/ksenxx/sqlite-optimized/
Blog: https://kisssorcar.github.io/blog/sqlite-optimization-blog.html
#AI #SQLite #Programming #CodingAgents #Performance #OpenSource
This media is not supported in your browser
VIEW IN TELEGRAM
Бразильский футболист, празднуя гол, перепрыгнул через рекламный щит и улетел в подземный тоннель. Защитник «Коритибы» повредил ногу и был заменён. Сам гол в итоге отменили из-за офсайда.
⚡️ Nvidia готова вложить до $3 млрд в Lancium - и это ставка не на GPU, а на самый дефицитный ресурс AI-инфраструктуры: электричество и подключение к сети.
По данным The Information, инвестиция связана с инфраструктурой для Stargate.
Lancium занимается тем, чего сегодня всё чаще не хватает крупным AI-дата-центрам:
- землёй под строительство;
- доступом к энергосетям;
- крупными мощностями;
- подготовленной инфраструктурой для быстрого запуска объектов.
Если Nvidia вложит все $3 млрд, её доля может приблизиться к 30% портфеля, который оценивается примерно в $10 млрд.
Особенно интересна структура сделки.
Nvidia входит обычным equity:
- без гарантий строительных кредитов;
- без обязательств по аренде;
- без принятия строительного риска на себя.
То есть Nvidia рискует в основном оценкой актива, а не тем, насколько дорого или сложно будет физически построить дата-центры.
И это важный сигнал.
Следующая гонка AI идёт уже не только за GPU.
Она идёт за землю, мегаватты и готовые подключения к энергосети.
https://www.theinformation.com/articles/nvidia-invest-3-billion-blackstone-backed-power-firm-behind-stargate
#Nvidia #AI #Datacenter #Infrastructure #Stargate
По данным The Information, инвестиция связана с инфраструктурой для Stargate.
Lancium занимается тем, чего сегодня всё чаще не хватает крупным AI-дата-центрам:
- землёй под строительство;
- доступом к энергосетям;
- крупными мощностями;
- подготовленной инфраструктурой для быстрого запуска объектов.
Если Nvidia вложит все $3 млрд, её доля может приблизиться к 30% портфеля, который оценивается примерно в $10 млрд.
Особенно интересна структура сделки.
Nvidia входит обычным equity:
- без гарантий строительных кредитов;
- без обязательств по аренде;
- без принятия строительного риска на себя.
То есть Nvidia рискует в основном оценкой актива, а не тем, насколько дорого или сложно будет физически построить дата-центры.
И это важный сигнал.
Следующая гонка AI идёт уже не только за GPU.
Она идёт за землю, мегаватты и готовые подключения к энергосети.
https://www.theinformation.com/articles/nvidia-invest-3-billion-blackstone-backed-power-firm-behind-stargate
#Nvidia #AI #Datacenter #Infrastructure #Stargate
⚡️ SQL-приём: `GROUPING SETS` может заменить несколько тяжёлых `GROUP BY` + `UNION ALL`.
Допустим, нужно одновременно получить статистику:
- по стране и городу;
- только по стране;
- общий итог.
Часто пишут так:
Но SQL умеет это нативно:
() означает grand total.
А если нужно понять, настоящий ли NULL лежит в данных или это строка итогов:
вернут 1 для колонок, которые были свернуты агрегированием.
🔥 Особенно полезно для:
OLAP-запросов;
аналитических отчётов;
дашбордов;
многоуровневых итогов;
запросов, где иначе появляется несколько почти одинаковых GROUP BY.
Ещё есть:
ROLLUP строит иерархические итоги, а CUBE - все комбинации измерений.
Если в аналитическом SQL у вас появляется цепочка из GROUP BY + UNION ALL, возможно, вы просто забыли про GROUPING SETS.
#SQL #PostgreSQL #DataEngineering #Analytics
Допустим, нужно одновременно получить статистику:
- по стране и городу;
- только по стране;
- общий итог.
Часто пишут так:
SELECT country, city, SUM(revenue)
FROM sales
GROUP BY country, city
UNION ALL
SELECT country, NULL, SUM(revenue)
FROM sales
GROUP BY country
UNION ALL
SELECT NULL, NULL, SUM(revenue)
FROM sales;
Но SQL умеет это нативно:
SELECT
country,
city,
SUM(revenue) AS revenue
FROM sales
GROUP BY GROUPING SETS (
(country, city),
(country),
()
);
() означает grand total.
А если нужно понять, настоящий ли NULL лежит в данных или это строка итогов:
GROUPING(country)
GROUPING(city)
вернут 1 для колонок, которые были свернуты агрегированием.
🔥 Особенно полезно для:
OLAP-запросов;
аналитических отчётов;
дашбордов;
многоуровневых итогов;
запросов, где иначе появляется несколько почти одинаковых GROUP BY.
Ещё есть:
ROLLUP(...)
CUBE(...)
ROLLUP строит иерархические итоги, а CUBE - все комбинации измерений.
Если в аналитическом SQL у вас появляется цепочка из GROUP BY + UNION ALL, возможно, вы просто забыли про GROUPING SETS.
#SQL #PostgreSQL #DataEngineering #Analytics
🐢 Все пытаются ускорить процессоры. А этот проект делает наоборот.
Новый проект CPU deoptimization ищет самые медленные инструкции, которые когда-либо выполнялись на x86.
Идея простая:
Не «как заставить CPU работать быстрее», а:
«Какую самую ужасную инструкцию можно заставить выполнить процессор?»
Результат уже впечатляет:
💀 Рекорд x86:
198 002 498 236 тактов CPU
≈ 62 секунды на выполнение одной инструкции
Это целая «галерея позора» для ассемблера:
- странные инструкции;
- неожиданные микроархитектурные эффекты;
- случаи, когда одна команда превращается в вечность.
Иногда лучший способ понять процессор — не ускорять его, а найти его слабые места.
Assembly Hall of Shame:
https://github.com/xoreaxeaxeax/asm-hall-of-shame
Новый проект CPU deoptimization ищет самые медленные инструкции, которые когда-либо выполнялись на x86.
Идея простая:
Не «как заставить CPU работать быстрее», а:
«Какую самую ужасную инструкцию можно заставить выполнить процессор?»
Результат уже впечатляет:
💀 Рекорд x86:
198 002 498 236 тактов CPU
≈ 62 секунды на выполнение одной инструкции
Это целая «галерея позора» для ассемблера:
- странные инструкции;
- неожиданные микроархитектурные эффекты;
- случаи, когда одна команда превращается в вечность.
Иногда лучший способ понять процессор — не ускорять его, а найти его слабые места.
Assembly Hall of Shame:
https://github.com/xoreaxeaxeax/asm-hall-of-shame
⚡️ Один `static` - три разных смысла. Добро пожаловать в C.
В C ключевое слово
### 1.
Переменная имеет internal linkage - она доступна только внутри текущего
Это удобный способ спрятать детали реализации модуля.
### 2.
Он существует всё время работы программы и сохраняет значение между вызовами функции.
### 3.
Функция становится видна только внутри текущего translation unit.
Другой
Итого:
🔥 Поэтому
lifetime и linkage.
#C #Programming #SystemsProgramming #LowLevel #Cpp
В C ключевое слово
static меняет поведение в зависимости от того, где именно оно написано.### 1.
static у глобальной переменной
static int global;
Переменная имеет internal linkage - она доступна только внутри текущего
.c файла.Это удобный способ спрятать детали реализации модуля.
### 2.
static внутри функции
void foo(void) {
static int count;
count++;
}
count не создаётся заново при каждом вызове.Он существует всё время работы программы и сохраняет значение между вызовами функции.
foo(); // count = 1
foo(); // count = 2
foo(); // count = 3
### 3.
static у функции
static void bar(void) {
}
Функция становится видна только внутри текущего translation unit.
Другой
.c файл вызвать bar() напрямую уже не сможет.Итого:
static global variable -> скрыть символ внутри файла
static local variable -> сохранить состояние между вызовами
static function -> скрыть функцию внутри файла
🔥 Поэтому
static в C полезнее воспринимать не как одно конкретное поведение, а как подсказку проверить две вещи:lifetime и linkage.
#C #Programming #SystemsProgramming #LowLevel #Cpp
☕️ Java-совет: `LongAdder` вместо `AtomicLong` для горячих счётчиков
Частая ошибка в высоконагруженных системах:
Проблема: все потоки конкурируют за одну переменную.
Много потоков → больше CAS-коллизий → меньше производительность.
Для метрик лучше:
Как работает:
Идеально для:
✅ Prometheus metrics
✅ счётчиков запросов
✅ статистики JVM
✅ rate limiter
Но важно:
не гарантирует точный атомарный снимок.
Используйте:
-
-
Одна замена класса может заметно улучшить производительность под нагрузкой.
#java #jvm #performance
Частая ошибка в высоконагруженных системах:
private final AtomicLong requests = new AtomicLong();
requests.incrementAndGet();
Проблема: все потоки конкурируют за одну переменную.
Много потоков → больше CAS-коллизий → меньше производительность.
Для метрик лучше:
private final LongAdder requests = new LongAdder();
requests.increment();
Как работает:
AtomicLong:
Thread 1 ─┐
Thread 2 ─┼──> [100000]
Thread 3 ─┘
LongAdder:
Thread 1 → [10]
Thread 2 → [20]
Thread 3 → [15]
↓
sum()
LongAdder распределяет обновления между несколькими ячейками памяти, снижая конкуренцию.Идеально для:
✅ Prometheus metrics
✅ счётчиков запросов
✅ статистики JVM
✅ rate limiter
Но важно:
adder.sum()
не гарантирует точный атомарный снимок.
Используйте:
-
LongAdder → метрики и статистика;-
AtomicLong → когда нужно точное значение.Одна замена класса может заметно улучшить производительность под нагрузкой.
#java #jvm #performance
Видеокарта RTX 5090 стоит уже дороже трёшки в Воркуте — цена доходит до 500–620 тысяч рублей. За эти же деньги на севере можно купить полноценную трёхкомнатную квартиру площадью до 70 квадратных метров.
This media is not supported in your browser
VIEW IN TELEGRAM
russianeulogy
1 мин.
⚽️ ЭТОТ ГОЛ «СПАРТАКА» ТОЧНО ЗАЛЕТИТ В ТОП РИЛСОВ — НО ЧТО БЫЛО КРУЧЕ: САМ УДАР ИЛИ РЕАКЦИЯ КОММЕНТАТОРА? 😂
Костромской «Спартак» решил пошуметь по-настоящему: момент получился настолько мощным, что комментатор на секунду забыл вообще все приличные слова:
«Них... ОХОХОХО!» 🤣
Вот ради таких эмоций и смотрят футбол.
🔥 Кострома, кажется, только начинает наводить шум.
Подписывайся — здесь ещё больше футбольных моментов, которые невозможно спокойно комментировать.
1 мин.
⚽️ ЭТОТ ГОЛ «СПАРТАКА» ТОЧНО ЗАЛЕТИТ В ТОП РИЛСОВ — НО ЧТО БЫЛО КРУЧЕ: САМ УДАР ИЛИ РЕАКЦИЯ КОММЕНТАТОРА? 😂
Костромской «Спартак» решил пошуметь по-настоящему: момент получился настолько мощным, что комментатор на секунду забыл вообще все приличные слова:
«Них... ОХОХОХО!» 🤣
Вот ради таких эмоций и смотрят футбол.
🔥 Кострома, кажется, только начинает наводить шум.
Подписывайся — здесь ещё больше футбольных моментов, которые невозможно спокойно комментировать.
🚨 ПСЖ реально готов забрать Арду Гюлера у «Реала» за €115 МЛН?
По сообщениям, парижане сделали мадридцам гигантское предложение, а Жозе Моуринью якобы допускает, что сделка может быть одобрена.
Самое интересное: если трансфер состоится, «Фенербахче» может получить около €23 млн благодаря условиям предыдущей сделки.
Продали бы Гюлера за такие деньги? 👀
⚽️ Подписывайся — здесь ещё больше горячих футбольных новостей!
По сообщениям, парижане сделали мадридцам гигантское предложение, а Жозе Моуринью якобы допускает, что сделка может быть одобрена.
Самое интересное: если трансфер состоится, «Фенербахче» может получить около €23 млн благодаря условиям предыдущей сделки.
Продали бы Гюлера за такие деньги? 👀
⚽️ Подписывайся — здесь ещё больше горячих футбольных новостей!
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.iss.one/ai_machinelearning_big_data
Python: t.iss.one/pythonl
Linux: t.iss.one/linuxacademiya
Хакинг: t.iss.one/linuxkalii
DevOps: t.iss.one/DevOPSitsec
Docker: t.iss.one/DevopsDocker
Golang: t.iss.one/Golang_google
Rust: t.iss.one/rust_code
C++: t.iss.one/cpluspluc
C#: t.iss.one/csharp_1001_notes
Java: t.iss.one/java_library
JavaScript: t.iss.one/javascriptv
React: t.iss.one/react_tg
Frontend: t.iss.one/front
PHP: t.iss.one/phpshka
Android: t.iss.one/android_its
Мобильная разработка: t.iss.one/mobdevelop
Базы данных: t.iss.one/sqlhub
Data Science: t.iss.one/data_analysis_ml
Big Data: t.iss.one/bigdatai
Математика: t.iss.one/data_math
Физика: t.iss.one/fizmat
Kubernetes: t.iss.one/kubernetc
GameDev: https://t.iss.one/gamedev
Haskell: t.iss.one/haskell_tg
Собеседования и карьера:
DS собеседования: t.iss.one/machinelearning_interview
Python собеседования: t.iss.one/python_job_interview
Папка с вакансиями: t.iss.one/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.iss.one/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.iss.one/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.iss.one/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.iss.one/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.iss.one/memes_prog
Английский для программистов: t.iss.one/english_forprogrammers
ИИ и технологии: t.iss.one/vistehno
954 ГБ open-source курсов: @courses
ИТ-книги бесплатно: https://t.iss.one/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.
В IT прокачивается тот, кто каждый день видит сильные идеи, новые инструменты, реальные задачи, вакансии и разборы.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.iss.one/ai_machinelearning_big_data
Python: t.iss.one/pythonl
Linux: t.iss.one/linuxacademiya
Хакинг: t.iss.one/linuxkalii
DevOps: t.iss.one/DevOPSitsec
Docker: t.iss.one/DevopsDocker
Golang: t.iss.one/Golang_google
Rust: t.iss.one/rust_code
C++: t.iss.one/cpluspluc
C#: t.iss.one/csharp_1001_notes
Java: t.iss.one/java_library
JavaScript: t.iss.one/javascriptv
React: t.iss.one/react_tg
Frontend: t.iss.one/front
PHP: t.iss.one/phpshka
Android: t.iss.one/android_its
Мобильная разработка: t.iss.one/mobdevelop
Базы данных: t.iss.one/sqlhub
Data Science: t.iss.one/data_analysis_ml
Big Data: t.iss.one/bigdatai
Математика: t.iss.one/data_math
Физика: t.iss.one/fizmat
Kubernetes: t.iss.one/kubernetc
GameDev: https://t.iss.one/gamedev
Haskell: t.iss.one/haskell_tg
Собеседования и карьера:
DS собеседования: t.iss.one/machinelearning_interview
Python собеседования: t.iss.one/python_job_interview
Папка с вакансиями: t.iss.one/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.iss.one/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.iss.one/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.iss.one/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.iss.one/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.iss.one/memes_prog
Английский для программистов: t.iss.one/english_forprogrammers
ИИ и технологии: t.iss.one/vistehno
954 ГБ open-source курсов: @courses
ИТ-книги бесплатно: https://t.iss.one/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Пока кто-то листает шум, ты будешь видеть инструменты, задачи и идеи, которые помогают расти в профессии.
This media is not supported in your browser
VIEW IN TELEGRAM
Лутаем 1️⃣ 0️⃣ 0️⃣ долларов API Claude бесплатно — единый сайт апишек Tabitoken раздаёт кучу токенов нахаляву.
Главное:
• На сайте есть: Opus 4-8 и Opus 5 вместе с моделями Thinking.
• Цена за токены, а не запросы: Opus 4.8 стоит $1 за 1M на входе, $5 за 1M на выходе, в Opus 5 — $3 за 1M в обе стороны.
• Совместим с API OpenAI, Claude и Gemini, просто вставьте ключ в любой клиент.
Гайд на халяву:
1️⃣ Регаемся на сайте, карта не нужна.
2️⃣ Получаем бесплатные $100
3️⃣ Хватаем API-ключ
4️⃣ Закидываем в любой клиент для Claude
Забираем, пока не пофиксили.
👍 Бэкдор
Главное:
• На сайте есть: Opus 4-8 и Opus 5 вместе с моделями Thinking.
• Цена за токены, а не запросы: Opus 4.8 стоит $1 за 1M на входе, $5 за 1M на выходе, в Opus 5 — $3 за 1M в обе стороны.
• Совместим с API OpenAI, Claude и Gemini, просто вставьте ключ в любой клиент.
Гайд на халяву:
Забираем, пока не пофиксили.
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 $100 БЕСПЛАТНО НА API CLAUDE? Появился единый хаб с токенами
Tabitoken раздаёт бесплатный баланс для работы с AI-моделями.
Что доступно:
🔥 Claude Opus 4.8
🔥 Opus 5
🔥 Thinking-модели
Главное:
• оплата идёт за токены, а не за количество запросов;
• Opus 4.8 — примерно $1 за 1M входных токенов и $5 за 1M выходных;
• Opus 5 — около $3 за 1M токенов на вход и выход;
• поддержка API OpenAI, Claude и Gemini;
• ключ можно подключить к привычным AI-клиентам.
Как получить:
1️⃣ Регистрируемся:
https://tabitoken.com/
2️⃣ Забираем бесплатный баланс $100
3️⃣ Получаем API-ключ
4️⃣ Подключаем к своему клиенту
Можно тестировать мощные модели без покупки подписки.
⚡ Забирайте, пока доступно.
#AI #Claude #LLM #MachineLearning
Tabitoken раздаёт бесплатный баланс для работы с AI-моделями.
Что доступно:
🔥 Claude Opus 4.8
🔥 Opus 5
🔥 Thinking-модели
Главное:
• оплата идёт за токены, а не за количество запросов;
• Opus 4.8 — примерно $1 за 1M входных токенов и $5 за 1M выходных;
• Opus 5 — около $3 за 1M токенов на вход и выход;
• поддержка API OpenAI, Claude и Gemini;
• ключ можно подключить к привычным AI-клиентам.
Как получить:
1️⃣ Регистрируемся:
https://tabitoken.com/
2️⃣ Забираем бесплатный баланс $100
3️⃣ Получаем API-ключ
4️⃣ Подключаем к своему клиенту
Можно тестировать мощные модели без покупки подписки.
⚡ Забирайте, пока доступно.
#AI #Claude #LLM #MachineLearning
⚡️ Sakana AI показала, как может выглядеть следующий этап мультиагентных систем - оркестрация, независимая от одной базовой модели.
Sakana Fugu работает как единая «виртуальная модель», хотя внутри скрывается целый пул разных LLM.
Пользователь отправляет запрос в один endpoint, а дальше Fugu сама решает:
- какую модель использовать;
- стоит ли разбить задачу на несколько частей;
- какие подзадачи отдать разным моделям;
- как собрать ответы обратно;
- где можно снизить стоимость без потери качества.
Архитектура состоит из двух уровней:
Model Pool выполняет реальные задачи, а Conductor Model выступает в роли дирижёра и решает, кому и что делегировать.
Пул моделей изначально сделан заменяемым.
То есть система не должна быть навечно привязана к конкретным GPT, Claude, Gemini или другим LLM. Можно обновлять набор моделей, сохраняя общий orchestration layer.
В новой версии Sakana пошла ещё дальше: дирижёрскую модель обучили на базе новой открытой Gemma 4.
По внутренним оценкам компании, новый conductor показывает производительность не хуже предыдущей версии, одновременно снижая стоимость работы системы.
Идея здесь важнее конкретной модели:
ценность постепенно смещается от «какая LLM самая сильная?» к «кто лучше всего умеет комбинировать несколько моделей под конкретную задачу».
Следующий шаг Sakana - собственные conductor-модели и инфраструктура, которую можно адаптировать под требования AI sovereignty.
Если такой подход масштабируется, в будущем разработчику может быть вообще неважно, какая модель находится под капотом.
Он будет обращаться к одному API, а orchestration layer сам решит, какая комбинация моделей даст лучший результат по цене, скорости и качеству.
🔗
#AI #LLM #Agents #MultiAgent #SakanaAI #Gemma
Sakana Fugu работает как единая «виртуальная модель», хотя внутри скрывается целый пул разных LLM.
Пользователь отправляет запрос в один endpoint, а дальше Fugu сама решает:
- какую модель использовать;
- стоит ли разбить задачу на несколько частей;
- какие подзадачи отдать разным моделям;
- как собрать ответы обратно;
- где можно снизить стоимость без потери качества.
Архитектура состоит из двух уровней:
Conductor Model → Model PoolModel Pool выполняет реальные задачи, а Conductor Model выступает в роли дирижёра и решает, кому и что делегировать.
Пул моделей изначально сделан заменяемым.
То есть система не должна быть навечно привязана к конкретным GPT, Claude, Gemini или другим LLM. Можно обновлять набор моделей, сохраняя общий orchestration layer.
В новой версии Sakana пошла ещё дальше: дирижёрскую модель обучили на базе новой открытой Gemma 4.
По внутренним оценкам компании, новый conductor показывает производительность не хуже предыдущей версии, одновременно снижая стоимость работы системы.
Идея здесь важнее конкретной модели:
ценность постепенно смещается от «какая LLM самая сильная?» к «кто лучше всего умеет комбинировать несколько моделей под конкретную задачу».
Следующий шаг Sakana - собственные conductor-модели и инфраструктура, которую можно адаптировать под требования AI sovereignty.
Если такой подход масштабируется, в будущем разработчику может быть вообще неважно, какая модель находится под капотом.
Он будет обращаться к одному API, а orchestration layer сам решит, какая комбинация моделей даст лучший результат по цене, скорости и качеству.
🔗
https://sakana.ai/fugu-gemma4/#AI #LLM #Agents #MultiAgent #SakanaAI #Gemma
🧠 Claude Code научили помнить, что происходило в прошлых сессиях
Claude-Mem - open-source система постоянной памяти для AI-агентов. Она автоматически фиксирует действия агента, сжимает историю в семантические summaries и возвращает нужный контекст в следующих сессиях.
Что внутри:
- persistent memory между сессиями;
- поиск по истории проекта;
- SQLite для хранения sessions, observations и summaries;
- Chroma для hybrid semantic + keyword search;
- MCP-инструменты
- progressive disclosure - сначала агент получает компактный индекс, а подробности вытягивает только при необходимости.
-
Авторы заявляют до ~10x экономии токенов при таком поиске по памяти. Проект работает не только с Claude Code - в репозитории есть интеграции с Codex, Gemini, Copilot, OpenCode и другими агентными инструментами.
Агент больше не начинает каждую новую сессию практически с нуля - история проекта превращается в отдельный слой памяти.
GitHub:
https://github.com/thedotmack/claude-mem
#AI #ClaudeCode #AIAgents #LLM #OpenSource
Claude-Mem - open-source система постоянной памяти для AI-агентов. Она автоматически фиксирует действия агента, сжимает историю в семантические summaries и возвращает нужный контекст в следующих сессиях.
Что внутри:
- persistent memory между сессиями;
- поиск по истории проекта;
- SQLite для хранения sessions, observations и summaries;
- Chroma для hybrid semantic + keyword search;
- MCP-инструменты
search, timeline, get_observations;- progressive disclosure - сначала агент получает компактный индекс, а подробности вытягивает только при необходимости.
-
Авторы заявляют до ~10x экономии токенов при таком поиске по памяти. Проект работает не только с Claude Code - в репозитории есть интеграции с Codex, Gemini, Copilot, OpenCode и другими агентными инструментами.
Агент больше не начинает каждую новую сессию практически с нуля - история проекта превращается в отдельный слой памяти.
GitHub:
https://github.com/thedotmack/claude-mem
#AI #ClaudeCode #AIAgents #LLM #OpenSource
Халява: GitHub завалили халявными API-ключами от ChatGPT, Claude и других топовых нейронок. Причина вас разорвёт — вайбкодеры просто забывают убрать ключи из проектов.
Как найти: вбейте в GitHub-поиск
Спасибо этим добрякам.
Как найти: вбейте в GitHub-поиск
OPENAI_API_KEY, CLAUDE_API_KEY или любую комбинацию для хранения ключа от других нейронок. Потом забирайте ключ и используйте сами.Спасибо этим добрякам.