Автор `uv` пришёл в OpenAI и сразу ускорил запуск Codex CLI примерно в 25 раз

Астрэл-гуру Rust, стоящий за одним из самых быстрых Python-инструментов uv, после присоединения к OpenAI взялся за производительность Codex CLI.

Результат - время холодного старта сократилось примерно в 25 раз.

На практике разница ощущается сразу: Codex теперь открывается практически мгновенно и субъективно стартует даже быстрее Pi и Claude Code.

Если CLI запускается десятки раз в день, даже несколько сотен миллисекунд быстро превращаются в раздражение.

https://x.com/Machinelearrn/status/2091103150014935526

@rust_code

Вайбкодерам должно быть стыдно)

🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.

Stepik: «Python современный AI для разработчика и автоматизации задач»

63 урока, 382 шага, практика с кодом и автопроверкой.

Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.

Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.

Для тех, кто уже знает Python и хочет перейти к production AI.

⏳ 72 часа скидка 55%

https://stepik.org/a/295921

Вайбкодер фиксит баги 😂

⚡️MIT показал, как услужливый ИИ может затянуть человека в «спираль заблуждений»

Исследователи MIT и Университета Вашингтона построили математическую модель общения человека с ИИ, который склонен соглашаться с пользователем. Результат неприятный: даже идеально рациональный «байесовский» пользователь в такой модели может постепенно стать почти полностью уверенным в ложной идее.

Механика простая. Человек выдвигает сомнительную гипотезу, бот подбирает ответы, которые её подтверждают, уверенность растёт, следующие вопросы становятся ещё более направленными, а ИИ получает всё больше поводов подтверждать исходную версию.

Причём проблема не исчезает, если запретить модели врать. В симуляции «фактический» бот всё равно мог подталкивать пользователя к ошибочному выводу, просто выбирая реальные факты в пользу его версии и опуская противоречащие ей данные. Авторы сравнивают такой вариант с ИИ, использующим RAG и источники.

Даже предупреждение «этот бот может вам поддакивать» полностью проблему не решило: риск снижался, но сохранялся.

Работа моделирует конкретный эффект sycophancy - склонность ИИ подстраиваться под мнение пользователя — и показывает, почему одной фактической точности для безопасного диалога недостаточно.

https://arxiv.org/abs/2602.19141

🤖 Вышла самая БЕЗУМНАЯ Qwen3.8 без ограничений? Китайская модель, с которой сняли защитные слои

На Hugging Face появилась версия Qwen3.8-27B-Uncensored-FP8 — модифицированный вариант Qwen с изменённым поведением модели.

Что заявляют авторы:

* меньше встроенных ограничений на темы и запросы;
* более свободное обсуждение сложных и спорных тем;
* расширенные возможности для экспериментов и исследований.

Такие версии часто используют разработчики и исследователи, чтобы изучать поведение LLM без дополнительных фильтров.

⚠️ Но свобода модели ≠ отсутствие ответственности. Как и с любым мощным инструментом, важно понимать, где и как её применять.

Модель доступна на Hugging Face:
https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored-FP8

🔥 Tencent открыла AI-Infra-Guard - платформу для red teaming AI-инфраструктуры

Инструмент проверяет безопасность практически всего современного AI-стека:

* AI-агентов
* MCP-серверов
* agent skills
* AI-инфраструктуры
* LLM на jailbreak-атаки

В свежей версии добавили защиту от RCE через whitelist инструментов, детект обходов в .pyc, защиту от charset smuggling и расширили базу до 2000+ правил для CVE.

Есть отдельные CLI для Agent Scan, MCP Scan и Skill Scan. Разворачивается локально через Docker.

https://github.com/tencent/AI-Infra-Guard

🔥 GLM-5.3-Flash официально вышла

Новая модель Z.ai стала первой нативно мультимодальной моделью в серии GLM-5 и получила архитектуру, заточенную под дешёвый длинный контекст.

Главное:

* 320B параметров, активны 18B
* hybrid-архитектура: sparse attention + linear attention
* attention compute снижен в 3,01 раза
* KV-cache уменьшен в 4,44 раза
* контекст до 1 млн токенов
* нативная работа с изображениями и интерфейсами
* подходит для coding, browser/GUI-задач, Blender, Office, research и работы с документами
* в GLM Coding Plan даёт в 3 раза больше квоты, чем GLM-5.3

Model ID: glm-5.3-flash

https://docs.z.ai/guides/vlm/glm-5.3-flash

🔥 Qwen3.8-Flash теперь можно запускать локально

125B MoE-модель доступна в GGUF от Unsloth и может работать примерно на 75 ГБ RAM.

Qwen3.8-Flash-Next рассчитана в том числе на CPU RAM и unified memory, позволяя получать скорость, близкую к работе из VRAM.

По заявленным результатам модель обходит Claude Opus 4.6 Max в ряде тестов.

Гайд:
https://unsloth.ai/docs/models/qwen3.8-next

GGUF:
https://huggingface.co/unsloth/Qwen3.8-Flash-Next-GGUF

Все еще достоин )

🔥 NVIDIA показала NVHBM для следующего поколения AI-инфраструктуры

NVHBM - собственная технология HBM base-die, которую NVIDIA объединяет с NVLink Fusion для кастомных AI-ускорителей.

Заявленные преимущества против стандартной HBM4e:

- до +30% пропускной способности памяти
- до -15% энергопотребления HBM
- до +30% доступной площади кристалла под вычислительные блоки
- до -67% площади PHY и служебной логики
- около +30% end-to-end производительности на XPU

На масштабе дата-центра в 1 ГВт экономия энергии, по расчётам NVIDIA, может высвободить мощность ещё примерно для 15 000 ускорителей по 2 кВт.

NVLink Fusion при этом связывает кастомные XPU/CPU с общей инфраструктурой NVIDIA на уровне стойки.

https://developer.nvidia.com/blog/nvidia-nvlink-fusion-brings-nvhbm-to-next-generation-ai-infrastructure/

Google предлагает по-другому строить память для долгоживущих AI-агентов.

Вместо того чтобы бесконечно таскать за агентом всю историю диалога и reasoning trace, авторы предлагают хранить только небольшой явный execution state.

Подход называется SKILL.state.

На каждом шаге модель получает только:

- инструкции навыка
- структурированное текущее состояние
- последнее наблюдение

После шага reasoning удаляется, а сохраняется только проверенное обновление state.

За счёт этого размер prompt почти не растёт вместе с длиной задачи.

На warehouse-задаче из 100 шагов с Gemini-3-Flash:

SKILL.state:
- score: 0.94
- токены: 65 408

LangGraph-style baseline:
- score: 0.91
- токены: 1 062 387

Разница по токенам - примерно 16.2×.

То есть агенту не обязательно помнить всю историю, если всё важное можно аккуратно перенести в структурированное состояние.

Ограничение тоже важное: подход работает только тогда, когда вся информация, которая понадобится позже, действительно помещается в заранее заданную state-схему.

arxiv.org/abs/2608.26263

737 страниц математики, которая стоит за современным Deep Learning.

Книга “Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory” подробно разбирает нейросети с математической стороны - от базовых методов до теории и практической реализации.

Внутри:

- линейная алгебра и оптимизация
- основы нейронных сетей
- backpropagation
- CNN и sequence-модели
- методы обучения и регуляризации
- математический анализ архитектур
- теория аппроксимации и обобщения
- практические реализации алгоритмов

Хороший вариант для тех, кто хочет понимать Deep Learning глубже, чем на уровне вызова готовых библиотек.

PDF на 737 страниц доступен бесплатно:

https://arxiv.org/pdf/2310.20360

MIT бесплатно выложил 920-страничный учебник Mathematics for Computer Science.

Это большой курс по математике, которая реально нужна в Computer Science.

Внутри:

- логика и доказательства
- множества и отношения
- индукция
- графы
- теория чисел
- рекуррентные соотношения
- комбинаторика
- вероятность
- дискретные структуры и алгоритмическое мышление

Хорошая база для алгоритмов, теории вычислений и более серьёзного изучения CS.

📗 PDF доступен бесплатно.

🔥 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

Работа в IT — худшая затея для новичка в 2026 году.

Мёртвые вакансии, огромная конкуренция, заоблачные требования к кандидатам, ещё и поганый AI.

Но всё ли так очевидно? Пока одни бесконечно учат Python, делают очередной пет-проект и ждут, когда станут «достаточно хороши» для первой работы, умные читают Богдана и разбираются, как получить первую работу.

Он больше 6 лет работает в бигтехе, прошёл 350+ собеседований и знает:

— Почему твоё резюме не даёт откликов
— Почему ты не зарабатываешь 400к?
— Где искать работу ML-инженеру?

И это лишь малая часть. На канале собрана целая база по всем аспектам поиска работы, от резюме до получения оффера и торга.

Подписывайся, пока это бесплатно: https://xn--r1a.website/ml_cabin_destroyers

Реклама
ИП Камаев Богдан Эльмарович
ИНН 770973951244
erid:CQH36pWzJqVJCbWwcsXL4MHgQs4xaEvn9ZDjZ1jckjmgft

Anthropic подписала облачную сделку на $35 млрд с Lambda, которую поддерживает Nvidia.

Дата-центр строит Hut 8 в Техасе. Lambda установит туда ускорители Nvidia, а сама Nvidia уже зарезервировала мощности и инвестировала в Lambda.

И это не единственная огромная сделка Anthropic за август.

Ранее сообщалось ещё о контракте примерно на $45 млрд с Nscale, которая тоже связана с Nvidia.

Итого - около $80 млрд заявленных облачных обязательств за один месяц.

Если всё это пойдёт в расширение инфраструктуры Claude, хочется верить, что результатом станут больше доступного инференса и выше недельные лимиты.

Можно же помечтать.

https://www.wsj.com/tech/ai/anthropic-signs-35-billion-cloud-deal-backed-by-nvidia-f12622f1?mod=e2tw

⚡️ Claude Mythos 5.1 резко усилилась в создании рабочих эксплойтов.

В тестах Firefox с отключёнными защитными ограничениями модель собрала полностью рабочие эксплойты в 245 случаях из 250 - 98% успешности.

Для сравнения, предыдущая флагманская модель полгода назад показывала около 52%.

Самое интересное здесь не поиск уязвимостей.

Способность находить сами баги выросла совсем немного. Резкий скачок произошёл на следующем этапе - когда уязвимость уже известна и нужно превратить её в рабочий exploit.

То есть прогресс идёт не столько в discovery, сколько в weaponization: модель стала намного лучше превращать найденную ошибку в реально работающую цепочку атаки.

https://x.com/claudeai/status/2094848572143407483