🔥 ChatGPT PRO на русском: открытый курс от первого промпта до агентов и Codex

На GitHub появился бесплатный практический курс по ChatGPT, целиком на русском. Он умещается в один репо, поэтому ничего не нужно ставить и регистрироваться не надо.

Программа идёт от простого к сложному в четыре уровня: база, работа, расширение и PRO. Всего в ней 13 модулей. Первые разбирают выбор между быстрыми и рассуждающими моделями, Deep Research, формулу промпта, память и проекты. Дальше идут анализ таблиц, Canvas, картинки и голос, а последние модули посвящены Custom GPTs, коннекторам, агентам, Codex и API.

Главная ценность курса в практике. В нём 10 лабораторных: библиотека промптов, аналитика без Excel, ресёрч с проверкой источников, свой GPT, постановка задач агенту, разработка через Codex и автоматизация через API. К ним прилагаются 15 готовых рецептов под типовые задачи и разбор антипаттернов в формате «как делают неправильно и как надо».

Отдельный модуль посвящён безопасности: prompt injection, утечки данных и проверка фактов за моделью.

Курс удобно дать новичкам в команде или пройти самому, чтобы закрыть пробелы по агентам и Codex.

https://github.com/justxor/ChatGPT_ru

🧠 ИИ лучше улучшает агентов, когда развивает несколько специализаций

Исследователи предложили новый подход к оптимизации harness: кода вокруг LLM, который управляет инструментами, поиском информации и проверкой ответов.

Обычно ИИ переписывает эту обвязку и оценивает версии на одном наборе задач. Но полезная специализация может потеряться, если проигрывает по общему баллу.

Авторы разделили поиск на две ветки:

• Каждая сохраняет задачи, с которыми справляется лучше другой.
• Ведёт собственные заметки об удачных изменениях.
• Развивает свою стратегию решения.

В математике одна ветка сосредоточилась на проверке ответов, другая на построении полных решений. Затем роутер выбирает подходящую обвязку для каждой новой задачи.

📈 На олимпиадной математике с Gemini 3 Flash точность выросла с 46% до 62%. Это +16 процентных пунктов. Подход превзошёл исходный метод во всех четырёх проверенных сочетаниях моделей и бенчмарков, хотя расход токенов был выше.

Практическая идея: при автоматической настройке агентов стоит сохранять несколько сильных специализаций и подбирать их под задачу.

📄 Исследование: https://arxiv.org/abs/2609.37834

Apache Kafka курс 2026: бесплатный курс по Kafka с нуля до профи на русском

Kafka обучение без воды: каждый модуль состоит из понятной теории, схем, команд, которые можно запустить у себя, типичных ошибок и вопросов для самопроверки. Курс подходит, чтобы выучить Kafka с нуля, подготовиться к собеседованию на backend, data engineer или DevOps-позицию и спроектировать надёжную систему на Kafka в продакшене.

https://github.com/justxor/KAFKAFREECOURSR

Hugging Face исследовали multi-harness RL: обучение с подкреплением сразу через Claude Code, Codex, OpenCode и Mini-SWE-Agent.

Для этого объединили три проекта:

• OpenEnv записывает обращения к модели, токены и вероятности генерации.
• Harbor запускает одинаковые задачи в контейнерах через разные обвязки.
• TRL использует собранные данные для обучения.

Каждая обвязка сохраняет собственные инструменты, промпты и цикл работы. Модель учится внутри настоящих агентов.

По данным авторов, у LFM2.5-2.6B доля тестовых задач, решённых с первой попытки, выросла с 42,2% до 54,2%. Улучшения появились во всех четырёх обвязках. На задачах, которые решили обе версии модели, обученная использовала на 31% меньше вызовов инструментов.

Эксперимент ограничен одним семейством задач, но показывает перспективный подход: адаптацию к разным обвязкам можно закладывать прямо в обучение.

📖 Руководство: https://huggingface.co/spaces/FineEnvs/multi-harness-rl

🧮 Математика для ИИ на русском: от школьной базы до трансформеров и диффузии

Бесплатный курс-шпаргалка на GitHub, который связывает формулы с их применением в ML: интуиция → формула → иллюстрация → код на NumPy → задачи.

Внутри:
• Линейная алгебра, производные, вероятности и статистика.
• Backpropagation, оптимизаторы, функции потерь и attention.
• Генеративные модели, обучение с подкреплением, RAG и рекомендации.

Для практики: 26 Jupyter-ноутбуков с запуском в Colab, 60 задач с решениями и 160 вопросов с собеседований. Есть карточки Anki и глоссарий RU ↔ EN.

Если математика забылась, предусмотрен отдельный справочник с нуля: от дробей и процентов до интегралов и матриц.

https://github.com/justxor/math-for-ai-2026

🌍 Google Earth AI помогает прогнозировать вспышки заболеваний по данным о местности

Модель PDFM объединяет агрегированные поисковые тренды, перемещения людей, инфраструктуру, погоду и качество воздуха в цифровой «отпечаток» территории.

Эти данные можно добавить в существующие эпидемиологические модели без отдельного дообучения PDFM под каждую задачу.

Google представила пять исследований с партнёрами. Среди результатов:

• Денге в Мексике: прогноз на месяц вперёд улучшился в до 72% муниципалитетов с активной передачей инфекции.
• Холера в ДР Конго: точность выбора пяти наиболее опасных зон на восемь недель вперёд выросла примерно на 18%.
• Вакцинация против кори, паротита и краснухи: учёт связей между США и Канадой помог точнее оценивать охват прививками в приграничных районах.

Практическая цель: раньше понимать, куда направлять медицинские ресурсы, особенно когда официальная статистика запаздывает.

Датасет доступен коммерчески в Preview. Для некоторых исследовательских задач можно запросить бесплатный доступ.

https://research.google/blog/earth-ais-planetary-geospatial-foundation-models-for-global-public-health/

Извлечь текст из PDF мало. LightOnOCR-3 достаёт ещё и данные из графиков 📄

LightOn выпустила семейство открытых моделей для обработки документов. За один проход они:

• распознают печатный и рукописный текст;
• сохраняют структуру страницы и координаты блоков;
• описывают изображения;
• превращают данные с графиков в таблицы.

Доступны три размера: 0,8B, 1B и 4B. Лицензия Apache 2.0 позволяет адаптировать модели и разворачивать их на своей инфраструктуре.

По тестам разработчиков, версия 4B набирает 86,3 на olmOCR-Bench, опережая Chandra 2, Mistral OCR 4.1 и dots.mocr. На ParseBench версии 4B и 0,8B занимают первые два места среди моделей в опубликованном сравнении.

Полезный инструмент для подготовки отчётов, сканов и технической документации к поиску, аналитике и RAG.

https://huggingface.co/blog/lightonai/lightonocr-3

🧠 ИИ, который сразу выбирает ответ

K2-Type-0.9B от IFM получает контекст в виде текста или JSON, вопросы и варианты ответа. За один проход возвращает вероятности, без генерации текста.

Три режима:
• да / нет;
• выбор из заданных вариантов;
• оценка по шкале.

Можно представить такой компонент внутри агента: определить категорию обращения, выбрать инструмент или оценить приоритет задачи.

По замерам авторов, на публичной части JevBench модель решила 176 из 231 задания, около 76%. Медианная задержка на H200 составила 27 мс. Веса доступны под Apache 2.0.

Есть важное ограничение: модель выбирает только из предложенных ответов. Если нужен вариант «ничего не подходит», его придётся добавить самостоятельно. Многошаговые вычисления тоже остаются слабым местом.

https://huggingface.co/spaces/IFM/k2-type-0-9b

vibe coding final boss

⚡ Для решения «куда отправить запрос» не всегда нужна модель, которая пишет целый ответ.

Decision 3.0 от команды vLLM Semantic Router: семейство открытых моделей размером от 0,6B до 27B, работающих с текстом, изображениями и видео.

На входе задаёте контекст и вопросы. На выходе получаете:

• выбор из предложенных вариантов;
• ответ «да / нет»;
• оценку по заданной шкале;
• вероятности вариантов.

Без генерации текста. Например, можно определить отдел для обращения, проверить наличие товара на приложенном чеке и оценить срочность.

По внутренней оценке команды, старшая d3 занимает первое место в их сравнении на текстовом и визуальном Jev Decision Index 0.3.1. Заявленная медианная задержка: 55 мс для текста и 273 мс с изображением на AMD MI325X.

Лицензия Apache 2.0. Любопытный вариант для маршрутизации, классификации и узких решений внутри агентных систем.

https://huggingface.co/vllm-sr/d3

JEV-35B: быстрая decision-модель на базе Qwen3.5, активирует всего 3B параметров из 35B

AutoTrust Labs выпустила JEV-35B, модель для быстрых решений в духе System 1. Она построена на Qwen3.5-35B-A3B и за счёт MoE-архитектуры активирует на токен лишь около 3B из своих 35B параметров. Лицензия Apache 2.0.

Главная идея в том, чтобы не гонять полноценное рассуждение там, где нужно просто быстро выбрать лучший вариант. За один проход модель сравнивает до 256 текстовых или графических опций и возвращает откалиброванные вероятности. Медианная задержка одиночного запроса в их тестах около 204 мс.

По метрикам JEV-35B обходит прошлую JEV-27B-VL на публичном наборе Decision Index, сохраняя при этом конкурентное качество на визуальных решениях.

Отдельно порадует возможность запустить локально. Версия в NVFP4 весит всего 25,6 ГБ и занимает под веса около 23 ГиБ, так что помещается на одну видеокарту на 32-48 ГБ. При этом квантизация сохраняет 96,6% решений исходной BF16-модели почти без потерь по скорости и с небольшой просадкой на бенчмарках.

Запускается через приложенный скрипт для vLLM. Эндпоинт /v1/decide отвечает за быстрые решения System 1, а OpenAI-совместимые эндпоинты за более медленное рассуждение System 2.

🤖 https://modelscope.ai/collections/AutoTrust-Labs/JEV-35B

За все нужно платить

Python 3.15 вышел: 5 фич для работы с данными, с примерами и замерами

Python 3.15 релизнулся 9 октября. Khuyen Tran из CodeCut выбрала пять изменений, которые больше всего пригодятся в работе с данными, и для каждого показала старый и новый способ с реальными цифрами. Собрали.

1. Ленивые импорты (PEP 810)

Тяжёлый пакет можно пометить словом lazy, и тогда он подгрузится только при первом обращении, а не на старте скрипта.

# было: pandas грузится сразу, даже если не используется
import pandas as pd
print("hello")

# стало: ничего не грузится, пока pd реально не понадобился
lazy import pandas as pd
print("hello")
df = pd.read_parquet("taxi.parquet")  # вот тут pandas и загрузится

Замер скрипта, который импортирует pandas, но не использует его (медиана из 20 запусков):

обычный импорт: 280 ms
lazy:            14 ms  (в 20 раз быстрее старта)

2. Встроенный frozendict (PEP 814)

Неизменяемый словарь. Удобно для общего конфига: функция уже не сможет его втихую перезаписать.

# было: обычный dict любая функция может поменять
config = {"min_fare": 0, "max_fare": 500}
def drop_outliers(cfg):
    cfg["max_fare"] = 1000  # задумано как локальная правка
drop_outliers(config)
# config теперь {'min_fare': 0, 'max_fare': 1000}, подменился молча

# стало:
config = frozendict(min_fare=0, max_fare=500)
config["max_fare"] = 1000
# TypeError: 'frozendict' object does not support item assignment

Изменённую копию делаем через |:

strict = config | {"max_fare": 300}
# original: frozendict({'min_fare': 0, 'max_fare': 500})
# new:      frozendict({'min_fare': 0, 'max_fare': 300})

3. Распаковка внутри comprehension (PEP 798)

Звёздочку и двойную звёздочку теперь можно использовать прямо в выражениях.

column_groups = [["fare", "tip"], ["distance"], ["passengers", "payment"]]

# было: двойной for
[column for group in column_groups for column in group]

# стало:
[*group for group in column_groups]
# ['fare', 'tip', 'distance', 'passengers', 'payment']

# слияние словарей, последний перекрывает ключи
layers = [{"min_fare": 0, "max_fare": 500}, {"max_fare": 300}]
{**layer for layer in layers}
# {'min_fare': 0, 'max_fare': 300}

4. Профайлер Tachyon

Сэмплирующий профайлер смотрит, какая функция выполняется, примерно раз в миллисекунду, и умеет подключаться к уже запущенному процессу, чего cProfile не умеет.

# запуск с сортировкой и топ-9 строк
python -m profiling.sampling run --sort cumtime -l 9 pipeline.py

# подключение к работающей задаче на 5 секунд
python -m profiling.sampling attach -d 5 <PID>

На пайплайне с данными такси накладные расходы минимальны:

python pipeline.py                            ~4.9 s   без профайлера
profiling.sampling run pipeline.py            ~5.1 s   Tachyon: +4%
python -m cProfile pipeline.py                ~16.7 s  cProfile: в 3.4 раза медленнее

5. Понятные сообщения об ошибках

При опечатке в имени атрибута или метода Python теперь подсказывает, что ты, вероятно, имел в виду.

exp.shape
# было:  AttributeError: 'Experiment' object has no attribute 'shape'
# стало: ...has no attribute 'shape'. Did you mean '.data.shape' instead of '.shape'?

["fare", "tip"].push("distance")
# было:  'list' object has no attribute 'push'
# стало: 'list' object has no attribute 'push'. Did you mean '.append'?

🕸 Как масштабировать GNN для рекомендательных систем

Исследователи AI VK масштабировали графовую нейросеть (GNN) для рекомендаций друзей на социальный граф из 194 млн пользователей и 28 млрд связей. Результаты работы представлены в статье, принятой на конференцию CIKM 2026.

В отличие от рекомендаций контента, где модели могут анализировать текст, изображения и видео, в рекомендациях друзей ключевую роль играют связи между пользователями. GNN учитывают социальное окружение человека и помогают предсказывать новые знакомства.

Главная сложность — масштабирование на сотни миллионов пользователей. Для этого исследователи предложили два решения:

• Multi-hash embeddings. Вместо отдельного вектора для каждого пользователя используются общие таблицы эмбеддингов и несколько хеш-функций. Это позволило сократить потребление видеопамяти с 203 до 2 ГБ — более чем в 100 раз.

• Temporal neighbor sampling. Модель учитывает только связи, существовавшие на момент рекомендации, и не использует информацию из будущего. Оптимизация ускорила семплирование данных для обучения в 2,5 раза.

📈 Результаты A/B-теста:
• +16% добавлений в друзья из рекомендаций.
• +11,5% пользователей, добавивших хотя бы одного рекомендованного друга.
• Без ухудшения задержек онлайн-ранкера.

Практический вывод: графовые нейросети можно эффективно применять даже на социальных графах с десятками миллиардов связей, не увеличивая требования к памяти и скорости онлайн-рекомендаций.

📄 Исследование: Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling (CIKM 2026).