devdigest // data science

⚡️ Google запустила подкаст про agentic AI Компания представила подкаст The Shift, в котором участники обсуждают самые актуальные вопросы об agentic AI. Для разработчиков это шанс услышать разбор тем прямо от команды, которая занимается их созданием. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Quantum Katas — обучающий проект для изучения языка Q# Microsoft представила Quantum Katas — набор интерактивных упражнений для самостоятельного изучения квантового программирования на языке Q#. Проект построен по принципу code katas и предлагает разработчикам пошаговые задания — от базовых квантовых операций до алгоритмов вроде Deutsch–Jozsa. Платформа включает встроенную систему проверки решений и обучающие материалы. Для работы требуется Quantum Development Kit с симулятором квантовых вычислений. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Microsoft обновила Quantum Development Kit Microsoft расширила возможности открытого Quantum Development Kit, добавив доменные библиотеки для научных задач и интеграцию с GitHub Copilot. Обновленный набор инструментов поддерживает Q#, OpenQASM, Qiskit и Cirq, работает в Visual Studio Code, Python и Jupyter, а также помогает разработчикам писать, тестировать и отлаживать квантовый код в экосистеме Azure Quantum. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ ИИ убьёт программирование? Даже критики в этом сомневаются Датский разработчик и блогер Mark Seemann неожиданно поставил под сомнение собственную критику ИИ. Он признаёт, что его опасения по поводу использования LLM в разработке — от проблем с безопасностью до ошибок в коде — могут быть следствием «мотивированного мышления», то есть попытки защитить привычное ремесло. Но главный вопрос остаётся открытым: даже если 90% страхов надуманы, какая из оставшихся угроз действительно ударит по индустрии — и когда это произойдёт? 👉🏻 Канал | 💬 Чат | 📕 Каталог

Друзья, //devdigest на несколько дней уходит на техническое обслуживание. В течение выходных часть ссылок в телеграм-каналах может быть недоступна. На следующей неделе проект вернется в обычный рабочий режим. Благодарю за понимание! 🚀 Подписаться

🛑 Правительство США запретило новые модели Anthropic Новая модель, доступ к которой компания открыла для пользователей буквально пару дней назад, уже оказалась под запретом: Anthropic заявила, что власти США неожиданно потребовали отключить модели Fable и Mythos для всех иностранных граждан по соображениям национальной безопасности. Компания временно отключает доступ к этим моделям для всех клиентов, чтобы выполнить предписание правительства. 🚀 Подписаться

⚡️ Claude Code против Codex MCP.Directory опубликовал подробное сравнение двух самых популярных агентных CLI для программирования — Claude Code от Anthropic и Codex от OpenAI. Авторы приходят к выводу, что принципиального победителя между ними нет: оба инструмента поддерживают MCP, умеют самостоятельно редактировать код, работать с Git, запускать команды и использовать субагентов. Ключевыми факторами выбора становятся модель, на которой работает агент, и уже оплаченная пользователем подписка. При этом среди опытных разработчиков все более популярным становится сценарий одновременного использования обоих CLI: один агент пишет код, а второй независимо проверяет изменения перед коммитом. 👉🏻 Канал | 💬 Чат | 📕 Каталог

🔬 Anthropic представила Claude Science Начнем день с хороших новостей. Anthropic запустила специализированную версию Claude для научной работы. Это единая рабочая среда, в которой можно искать и анализировать научные статьи, работать с данными, запускать вычисления на локальном компьютере или в кластере, строить графики и сразу готовить публикации. Похоже, следующую научную статью я буду готовить уже с Claude Science. Очень интересно проверить, насколько этот инструмент действительно способен сократить время на поиск литературы, анализ данных и подготовку публикации. Хотя, если честно, сомнений в результате у меня практически нет — Anthropic уже не раз показывала, что умеет делать действительно сильные специализированные продукты. На мой взгляд, это один из самых интересных трендов последних месяцев. Мы постепенно переходим от концепции «универсального ИИ-чатбота» к специализированным инструментам для профессионалов: отдельные решения для программистов, дизайнеров, врачей, ученых, юристов. И именно такие продукты, скорее всего, будут приносить максимальную практическую пользу. Сейчас Claude Science доступен в статусе бета-версии для пользователей Claude Pro, Max, Team и Enterprise на macOS и Linux. Попробовать его можно, если у вас есть подписка Claude Pro или выше. 🚀 Подписаться

🎥 Лекция Microsoft об инженерном пути к квантовому компьютеру промышленного масштаба Microsoft опубликовала лекцию образовательной серии «Building the Modern Quantum Architecture», посвящённой инженерному пути к квантовому компьютеру промышленного масштаба — способному решать задачи, недоступные классическим машинам. Ведущий, технический сотрудник Microsoft доктор Маттиас Тройер, объясняет, почему наиболее перспективные применения лежат в области химии и материаловедения — от более совершенных аккумуляторов до экологичных хладагентов, — и как квантовые вычисления будут работать вместе с ИИ и высокопроизводительными вычислениями (HPC) для ускорения научных открытий. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Microsoft выпустила QDK 1.30 с ускорением компиляции квантовых программ Microsoft выпустила версию 1.30 Quantum Development Kit (QDK) — платформы для разработки квантовых программ, которая компилирует код с языков Q#, OpenQASM и Qiskit в промышленный формат QIR. Главное нововведение — расширенные возможности профиля Adaptive: прямое выражение циклов без разворачивания, вызовы функций без инлайнинга и поддержка неограниченных циклов вроде «repeat-until-success». В отдельных случаях это на порядки сокращает время компиляции и размер программы. Также добавлены новые быстрые исправления в редакторе (автоимпорт и преобразование кубитов в массивы) и настраиваемые политики потери кубитов в моделях шума для двухкубитных операций. Всего релиз включает более 40 объединённых pull-запросов с улучшениями генерации QIR, поддержки компилятора Stim и системы типов. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Обзор языков и фреймворков квантового программирования в 2026 году The Quantum Insider опубликовал обзор экосистемы квантового программирования в 2026 году. Квантовая разработка сегодня принципиально отличается от классической: алгоритмы вероятностны, измерение «схлопывает» состояние и не даёт свободно отлаживать код, а нынешние процессоры ограничены 50–300 кубитами. В обзоре разобраны основные фреймворки — Qiskit от IBM как самый распространённый, Cirq от Google, PennyLane для квантового машинного обучения, Q# от Microsoft для Azure Quantum, CUDA-Q от NVIDIA, Amazon Braket SDK и другие. Среди ключевых трендов — доминирование Python как общего языка, работа senior-разработчиков сразу с несколькими фреймворками, аппаратные слои абстракции и ускорение на GPU. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ 100 шагов GRPO на бесплатном Colab подняли structured output у 350M-модели на 7 пунктов Hugging Face показала, как за 100 шагов GRPO в TRL научить LiquidAI/LFM2.5-350M отдавать валидный JSON: на бенчмарке IFStruct результат вырос с 22.6% до 29.7%, по JSON — с 18.0% до 31.9%. Всё на 16 GB GPU бесплатного Colab или Kaggle. Данные — около 500 примеров из nvidia/Nemotron-RL-instruction_following-structured_outputs: к 40% добавлена инструкция «верни в fenced code block», ещё 20% превращены в задачи с top-level массивом. Награда из трёх функций на шкале [0, 1]: json_format_reward (1.0 за нужную форму, 0.2 за парсящуюся, но не ту), field_count_reward с линейным штрафом за промах по числу полей и schema_validation_reward по JSON Schema, веса 1.0 / 0.5 / 2.0. GRPO: 8 генераций на промпт, lr 5e-5, temperature 1.1, beta 0.01, LoRA r=16 — учится около 6M параметров, 1.66% модели. Честная деталь: YAML почти не сдвинулся (27.2% → 27.5%), а Qwen3.5-2B всё равно выше с 33.15%. Но рецепт переносится: если маленькая модель на edge «почти» отдаёт JSON — три reward-функции и вечер на Colab дешевле, чем менять модель. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ PyTorch 2.14: NVGEMM, бэкенд nccl2 и отказоустойчивость внутри c10d Вышел PyTorch 2.14 — 2 995 коммитов от 487 контрибьюторов. Главные темы: новый GEMM-бэкенд и распределённое обучение. NVGEMM — бэкенд на CuTeDSL, который сам выбирает быстрейшее ядро для GEMM, с epilogue fusion и форматами вроде NVFP4 (только Blackwell). Включается через max_autotune_gemm_backends, требует nvidia-cutlass-dsl 4.6.0. nccl2 — новый in-tree бэкенд c10d из torchcomms: eager-only, one-sided RMA-окна, suspend/resume с offload памяти. Fault tolerance стала частью c10d: перенастройка process group без рестарта кластера, abort-хуки, Flight Recorder работает и с Gloo. В torch.compile — динамические формы через @dynamic_spec, torch.switch для MoE, compile-on-one-rank. На Apple Silicon Cholesky быстрее в 1.2–2.8x, lu_factor — более чем в 100x на мелких батчах. Overlap коммуникации и вычислений в Inductor включён по умолчанию. Подвох: Python 3.15 поддержан только в eager, torch.compile бросает RuntimeError; ROCm 7.1 выброшен. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ funes: память для coding-агентов, собранная из их же сессионных трейсов Hugging Face выложила funes — слой памяти для coding-агентов, который строится из сессий, уже лежащих у вас на диске. Поддержаны Claude Code, Codex, pi и Hermes. Идея простая: агент во время работы уже пишет плотный отчёт о том, что он пробовал, где ошибся и почему передумал. Но грепом по десяти тысячам ходов вопрос «почему мы ушли от стримингового парсера» не решается. funes парсит трейсы в единую форму, чанкует, эмбеддит локальной моделью и пишет в датасет Lance. Запрос — это вектор плюс BM25, слияние рангов, реранкер на кросс-энкодере, перевзвешивание по свежести и добор соседних чанков. Ставится одним бинарником, подключается командой funes add claude, после чего у агента появляются инструменты recall и get, а каждый завершённый ход индексируется автоматически. recall возвращает исходный текст, а не пересказ, и показывает агента, сессию, ход и время. Память можно привязать к приватному датасету на Hub, тогда она переезжает между машинами и агентами: решение, принятое в Claude Code, вспоминается в Codex. Credentials вырезаются при индексации и проверяются ещё раз при публикации. На бенчмарке handoff-vs-recall выигрыш не только в удобстве: recall оказался в 8 и в 4 раза дешевле написанного вручную хэндоффа на двух задачах, а компакция на одной из них просто потеряла нужные находки при суммаризации. В комментариях к анонсу есть и независимый замер на 19 тысячах реальных сессий, там hit@1 составил 9 из 100 на дефолтах и 19 из 100 с отключённым 30-дневным half-life — стоит иметь в виду, если ваша история старше месяца. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Granite PatchTST-FM-r2: zero-shot прогноз временных рядов под Apache 2.0 IBM выпустила Granite Time Series PatchTST-FM-r2 — модель примерно на 385M параметров для zero-shot прогнозирования временных рядов, под двойной лицензией Apache 2.0 и OpenMDW 1.0. На бенчмарке GIFT-Eval среди воспроизводимых zero-shot моделей она вторая по CRPS и MASE, 0.467 и 0.6846 по геометрическому среднему, и первая среди моделей с разрешительной лицензией по состоянию на 8 сентября. Если добавить в сравнение pretrained-модели, которым разрешено видеть тренировочные части оценочных датасетов, r2 остаётся третьей по CRPS и четвёртой по MASE, обходя Chronos-2, Timer-S1 и варианты Toto, хотя часть конкурентов заметно крупнее. Что изменилось относительно r1: обычные трансформерные блоки заменены на conformer-блоки, где к multi-head attention добавлена темпоральная свёртка с чередующимися ядрами 5, 5, 3, 3. Свёртка забирает короткие зависимости, внимание концентрируется на дальних. Плюс патчи с 50-процентным перекрытием и окном Хэмминга, тридцать блоков вместо двадцати, контекст до 8192 шагов и 99 квантилей на выходе, то есть сразу и точечный прогноз, и интервалы. Отдельно описан пре-тренировочный корпус: GiftEvalPretrain, синтетика на KernelSynth, TSMixup вне оценочных датасетов и около 500 тысяч последовательностей CauKer. Для enterprise такая прозрачность нередко важнее лишних пунктов в лидерборде. Ставится через pip install granite-tsfm, дальше pipeline на несколько строк, без дообучения. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Workflow1111: интерфейс AUTOMATIC1111 пересобран на 73 узлах gr.Workflow Команда Gradio пересобрала большую часть функциональности AUTOMATIC1111 как один граф: одиннадцать медиапайплайнов, 73 узла и ни одной своей GPU. Узлы бывают четырёх видов: fn — обычная функция на Python, model — вызов модели через InferenceClient, space — чужой Space на Hub, dataset — строка из датасета. Из них собраны txt2img с записью параметров генерации в PNG-метаданные, hi-res fix и img2img через FLUX.1-Kontext, генерация промпта на Qwen3-4B, интеррогейт картинки через Qwen2.5-VL и ViT, маска для inpaint из детекций DETR, prompt matrix, апскейл локальным Lanczos и через AuraSR, удаление фона через BRIA RMBG-2.0, PNG Info и image-to-video на Wan 2.2. Интересна арифметика автономности: из 36 операторных узлов 32 — это fn, и 22 из них работают в процессе без сетевых вызовов. Две трети холста продолжают работать без интернета, а раз это обычные функции, их можно тестировать без канваса, сервера и GPU. Параллелизм получается бесплатно: узлы на одной глубине зависимостей стартуют одновременно, поэтому четыре варианта prompt matrix генерируются разом. Главное отличие от ComfyUI даже не в этом. Каждый выходной узел автоматически становится типизированным REST-эндпоинтом, а при запуске с mcp_server=True — ещё и MCP-инструментом, который дёргает Claude Code или Cursor. Кастомный узел здесь просто функция на Python. Если бы вы собирали такой пайплайн сегодня — ComfyUI или gr.Workflow? 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Transformers научился грузить GGUF-квантованные модели llama.cpp напрямую Hugging Face встроил поддержку GGUF в Transformers: теперь квантованные под llama.cpp модели грузятся привычным from_pretrained, без отдельного рантайма — пока для Apple Silicon и архитектуры Qwen3.5 (dense и MoE). Под капотом — не своя реализация, а Metal-кернелы ggml через библиотеку kernels: отдельные кернелы под квантование (читают упакованные веса, не разворачивая их в полную матрицу), под нормализацию (слитый RMSNorm) и под attention (flash attention на prefill и decode), плюс оптимизации генерации — ранний сброс лишних attention mask и отложенная проверка условий остановки, чтобы реже синхронизировать CPU и GPU. Цифры: Qwen3.5-4B в BF16 весит 8.42 ГБ, в Q4_K_M — 2.74 ГБ, Q5_K_M — 3.14 ГБ, Q6_K — 3.53 ГБ. На MacBook Pro M2 Max throughput на всех трёх чекпоинтах вышел близко к llama.cpp напрямую. model = AutoModelForCausalLM.from_pretrained('unsloth/Qwen3.5-4B-GGUF', gguf_file='Qwen3.5-4B-Q4_K_M.gguf') — и модель, скачанная как GGUF-квант, гоняется через весь привычный API Transformers, а не через отдельный llama.cpp-биндинг. Нужны Apple Silicon, PyTorch 2.x (две последние версии) и свежие Transformers и kernels. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Shopify сжал провалы прод-агента в веса модели и срезал стоимость инференса на 96% Shopify построил continual learning loop на PyTorch и vLLM: вместо того чтобы бесконечно раздувать промпт правилами на каждый новый провал агента в проде, команда компрессирует эти провалы прямо в веса модели через дообучение. Пайплайн — supervised fine-tuning на исправленных траекториях, GRPO reinforcement learning поверх этого и отдельно prompt compression, чтобы не тащить контекст, который SFT уже «зашил» в веса. Результат — не просто дешевле: качество получилось выше, чем у моделей уровня frontier, при экономии 96% на инференсе. Смысл именно в цикле: провал → траектория с исправлением → дообучение → модель меньше и дешевле, но не наступает на те же грабли — а не в разовом файнтюне под конкретный релиз. Практический вывод для тех, кто гоняет агентов в проде на дорогой frontier-модели просто потому что она реже ошибается: если ошибки воспроизводимы и их можно собрать в датасет, continual learning loop может оказаться дешевле, чем платить за reasoning на каждый запрос. 👉🏻 Канал | 💬 Чат | 📕 Каталог

⚡️ Ценовая война моделей: GPT-6 Luna вдвое дешевле прошлой Luna, Opus 5.5 — минус 20% На неделе почти одновременно вышли Claude Opus 5.5, GPT-6 Sol и GPT-6 Luna — и главное в них не reasoning-бенчмарки, а цены. GPT-6 Luna — $0.10/$0.50 за миллион токенов вход/выход, вдвое дешевле GPT-5.6 Luna. GPT-6 Sol — $2/$10, тоже вдвое дешевле предшественника. Opus 5.5 подешевел скромнее, на 20%, до $4/$20, но у кэшированного входа скидка сразу 60%. Саймон Уиллисон отдельно замечает: у GPT-5.6 в ноябре было запланировано повышение цены на 25% — то есть GPT-6 в реальности вдвое дешевле не текущей, а будущей цены предшественника. При этом не всё однозначно с качеством: по его же тестам, Opus 5.5 на reasoning-уровне max в одной из задач ушёл в бесконечные раздумья, потратил впустую весь лимит выходных токенов и не выдал результата вообще — максимальный reasoning не значит «максимально надёжный результат», иногда это просто максимальный счёт. Если гоняете модели через Microsoft Foundry (см. на этой неделе //azure, там ровно эти модели с прайсингом по регионам) — самое время пересчитать cost per task с новыми числами, а не полагаться на прошлые расчёты. Вы уже пересчитывали свой стек под новые цены, или ждёте следующего раунда снижений? 👉🏻 Канал | 💬 Чат | 📕 Каталог