👨‍💻 Mistral представили полный self-hosted стек для разработки

Mistral AI выкатили интегрированную платформу: обновленный Codestral 25.08, семантический поиск Codestral Embed и агентные воркфлоу Devstral.

Ключевые моменты:

👉 Агентные воркфлоу. Это шаг от простого автодополнения к делегированию задач. Агент Devstral может проводить кросс-файловый рефакторинг, генерировать тесты и готовить PR, работая на базе фреймворка OpenHands.

👉 On-premise и кастомизация. Весь стек можно развернуть на своем железе (открытая модель Devstral Small требует одной RTX 4090). Это означает полный контроль над данными и возможность дообучить модель на своей кодовой базе.

👉 Семантический поиск по коду. Модель эмбеддингов, заточенная под код, позволяет искать решения и паттерны внутри проекта на естественном языке. Решает проблему «контекстной слепоты» многих AI-ассистентов.

По сути, это смещение фокуса с универсальных SaaS-инструментов на гибкие платформы, которые можно контролировать и адаптировать. Интересный вектор развития, особенно для тех, кто работает со сложными или проприетарными системами.

P.S. Для тех, кто хочет вникнуть глубже, подготовил более детальный разбор ◀️

Полезные ссылки:
▪️ Официальный анонс от Mistral
▪️ Плагин для VS Code
▪️ Плагин для JetBrains

🤖 Автономный ИИ-инженер, который побеждает на Kaggle.

Работа ML-инженера на 80% — это не создание моделей, а перемалывание сырых данных, бесконечные эксперименты и деплой с молитвой.

И вот тут анонсировали NEO — полностью автономный ML-агент, который, как заявляют, проходит весь цикл от грязного датасета до готовой модели в проде.

Агента выставили на 75 реальных соревнований на Kaggle.
🏆Результат: 34.2% из них — с медалями.

Это, если что, уровень очень крепкого спеца, который годами набивал руку.

В анонсе есть ещё видяшки с примерами работы.

MLщикам радоваться или плакать? 🤭

ChatGPT дали $100 на торговлю акциями. Что он с ними сделал?🤑

Один энтузиаст с GitHub запустил живой эксперимент: дал GPT-4o сотку баксов и полгода, чтобы тот торговал рисковыми акциями мелких компаний.

Никакой помощи, только еженедельный анализ рынка от самого ИИ и простые скрипты на Python для исполнения сделок.

И вот результат за первый месяц (конец июня - конец июля 2025):
📈 Портфель ChatGPT: +25.3%
😒 Рынок (S&P 500): +2.1%

Получается, нейросеть обогнала рынок в 12 раз.

Конечно, это только начало, и всё может поменяться. Но следить интересно 🍿

Разобрал начинку на Python, промпты и то, как моделька работала в первые недели, читайте здесь 🔙

Ну-ка, трейдеры, разнесите идею и подход 👇

✍️ Решения вчерашней задачи

Суть задачи, напомню, была в том, чтобы максимизировать "добычу" из списка домов, не трогая соседние. Это классическая задача на динамическое программирование.

🏆 Эталонное решение: динамика в уме (O(1) по памяти)

Был представлен практически идеальный вариант, который решает задачу быстро и экономно по памяти:

from typing import List

def rob(nums) -> int:
    prev, curr = 0, 0
    for x in nums:
        new_curr = max(curr, prev + x)
        prev, curr = curr, new_curr
    return curr

Как это работает? 🧠

Вся суть в двух переменных: curr и prev. На каждом шаге мы решаем дилемму для текущего дома с деньгами x:

- curr: хранит максимальную сумму, которую можно было украсть до предыдущего дома.
- prev: хранит максимальную сумму, которую можно было украсть до позапрошлого дома.

Для каждого дома x мы выбираем лучший из двух вариантов:
1. Не грабим текущий дом: Тогда наша максимальная добыча на данный момент равна curr.
2. Грабим текущий дом: Тогда мы не можем грабить предыдущий, а значит, к добыче x мы можем прибавить только максимум, накопленный до позапрошлого дома — prev.

Выбирая максимум из этих двух сценариев max(curr, prev + x), мы получаем оптимальное решение для текущего шага. А конструкция prev, curr = curr, new_curr просто сдвигает наши "окна" на один дом вперед для следующей итерации.

- ⏳ Временная сложность: O(N), где N — количество домов. Мы проходим по списку всего один раз.
- 💾 Пространственная сложность: O(1). Мы используем всего пару переменных, независимо от размера списка.

💡 Другой популярный подход: классическое DP (O(N) по памяти)

Есть более "классическое" решение с помощью дополнительного массива:

def perfect_thief(nums) -> int:
    if not nums:
        return 0
    if len(nums) <= 2:
        return max(nums)
        
    dp = [0] * len(nums)
    dp[0] = nums[0]
    dp[1] = max(nums[0], nums[1])
    
    for i in range(2, len(nums)):
        dp[i] = max(dp[i - 1], dp[i - 2] + nums[i])
        
    return dp[-1]

Этот способ работает по тому же принципу, но хранит все промежуточные результаты в массиве dp. Он может быть чуть понятнее для новичков, но требует O(N) дополнительной памяти.

Вышла нейросеть, которая НАКОНЕЦ-ТО умеет в текст.

Alibaba не останавливает поток крутых релизов и выкатили Qwen-Image — 20B модель, которая не просто пытается, а умеет рендерить текст.

Модель доступна через diffusers! Просто pip install, импортируешь пайплайн и генеришь картинки с текстом прямо в своем скрипте.

Автоматизация OG-картинок для блога, превью для видео, боты для мемов — всё это стало в разы проще.

Как и другие модельки Qwen, она открыта, есть на GitHub.

Я выложил небольшой технический гайд по запуску — читайте в блоге ◀️

Два релиза за один день 😮

1️⃣ OpenAI выкатила в опенсорс gpt-oss-120b и gpt-oss-20b
Да, все уже оттрубили, и вы уже точно знаете. Мы получили две мощные open-weight модели под свободной лицензией Apache 2.0. Заточены под сложные агентные задачи, умеют в tool use и выдают полную цепочку рассуждений (CoT) для отладки.

Важный нюанс для тех, кто будет запускать: модели ожидают на вход специальный формат промптов Harmony.

Если кто-то хочет попробовать, а не просто читать анонсы, то читайте гайд ◀️◀️

Попробовать можно и на сайте.

2️⃣ Anthropic выпустила Claude Opus 4.1
Параллельно вышел апгрейд Opus 4. Без громких анонсов, просто сделали модель еще лучше в программировании (особенно в рефакторинге), анализе данных и агентном поиске. Цена та же, уже доступен в API.

Читая почти каждый день какую-то дичь, которая происходит в IT-найме, у меня есть вопрос:

Кто из вас недавно видел адекватных hr и нормальный процесс отбора?

Под нормальным я в текущих реалиях понимаю хотя бы "не совсем в край уху евшие 26 этапов собеседований с какими-то вахтёрами, которые сами понимают меньше кандидатов, но очень хотят, чтобы очередной джун их удивил новым цирковым представлением".

В том, что так сложилось, ясное дело, не виноваты конкретные люди (да и кандидаты хороши, часть ответственности на них так же есть), но мне крайне интересно, может ли это зайти ещё дальше.

Жду реалити-шоу на федеральных каналах "Битвы айтишников", где единственный выживший в адаптации "Игры в кальмара" будет торжественно устроен младшим помощником стажёра эникейщика в очередной nft-блокчейн-ИИ-стартап (или, не дай бог, в RuTube) с испытательным сроком в пол года, в течение которых ему нужно платить компании за обучение.

А потом выяснят, что он накрутил опыт в резюме, завысив свой стаж техлида в FAANG, и его вышвырнут на помойку, предварительно вырезав почку.

Делитесь своими кул-стори трудоустройства 💬

CEO GitHub о будущем разработчиков: кем мы станем через 2-5 лет? 🤖

Вышла статья от Томаса Домке, главы GitHub. Это его анализ, основанный на интервью с разрабами, которые уже по уши в ИИ. Если коротко: наша работа меняется необратимо.

Выделил для вас самое главное.

Четыре стадии принятия ИИ (узнай себя):

1️⃣ ИИ-Скептик. Пробует AI для мелочей, бесится от ошибок, ждёт идеального результата с первого раза. Многие тут и бросают.

2️⃣ ИИ-Исследователь. Начинает юзать AI для отладки и бойлерплейта. Понимает ограничения, привыкает к итерациям.

3️⃣ ИИ-Коллаборатор. Активно работает с AI в IDE. Сначала просит у нейросети план, потом код. Начинает шарить удачные промпты с коллегами.

4️⃣ ИИ-Стратег. Воспринимает AI как партнёра для целых фич и рефакторинга. Выстраивает сложные воркфлоу, делегирует и распараллеливает задачи.

Новая роль разработчика: Архитектор + Ревизор

На 4-й стадии разрабы говорят, что их работа — это уже не писать код. Это:

▫️ Делегирование: Грамотно поставить задачу ИИ-агенту, дать весь контекст, отточить промпт, проверить план.
▫️ Верификация: Досконально проверить результат. Не просто «работает», а «решает бизнес-задачу, безопасно и оптимально».

Как сказал один из участников исследования: «Моя следующая должность может называться "Креативный Директор Кода"».

Какие скиллы качать ПРЯМО СЕЙЧАС?

▫️ ИИ-грамотность: Понимать, какой инструмент под какую задачу, и не ждать от них магии.
▫️ Оркестрация ИИ: Уметь декомпозировать задачу и четко объяснять машине, чего ты хочешь.
▫️ Фундаменталка: ВНЕЗАПНО, алгоритмы, структуры данных и архитектура становятся ЕЩЁ ВАЖНЕЕ. Иначе как вы проверите, что вам нагенерила нейросеть?
▫️ Контроль качества: Навыки ревью и тестирования становятся ключевыми.
▫️ Продуктовое мышление: Думать не о коде, а о продукте в целом.

Прогноз от опрошенных разрабов: 90% кода будет писать ИИ в течение 2-5 лет. И для них это не трагедия, а возможность делать более крутые вещи.

Оригинал статьи на английском лежит тут.

Чё думаете? На какой стадии сейчас вы?
👇🏻

В «Дзене Питона» есть прекрасная строка: «Явное лучше, чем неявное».

И тут дело явно не в борьбе VSC и PyCharm. А в чём же? 😏

Рассказывайте, кто уже пробовал.

Я пока "по старинке" (😁) на Gemini-2.5 Pro сижу.