Машинное обучение

Qwen3-Coder-Next — открытая MoE-модель на 80 млрд. общих и 3 млрд. активных параметров с контекстным окном в 256К токенов для агентных задач. Модель учили через agentic training на 800 тыс. задачах, созданных из GitHub PR в реальных Docker-контейнерах, где она получала прямой фидбек от среды. Это развило навыки планирования в ризонинге, использования инструментов и умение восстанавливаться после ошибок выполнения. На претрейне расширили поддержку языков с 92 до 370, затем SFT на траекториях агентов,...

✔️ В Xcode завезли нативную поддержку Claude Agent SDK. Apple выпустила Xcode 26.3, и главное в нем - глубокая интеграция с Claude Agent SDK. Возможности Claude Code перенесли в среду разработки: агент сам управляет задачами, запускает субагентов и поддерживает плагины. Агент теперь видит не один открытый файл, а архитектуру всего проекта целиком и понимает, как связаны между собой SwiftUI, UIKit и Swift Data, сам составляет план действий и вносит правки. Claude научили пользоваться Xcode Previews и обращаться к документации Apple, если нужно разобраться в специфике API...

На macOS и Windows Docker Desktop работает через виртуалку. Контейнеры живут внутри этой VM, и если лимиты не настроены, Docker может разогнаться и занять гигабайты RAM, даже если ты думаешь, что запустил «всего пару сервисов». Что стоит сделать сразу: 1. Ограничь ресурсы Docker Зайди в настройки Docker Desktop → Resources и поставь явный лимит по RAM и CPU. Иначе VM будет забирать память «про запас». 2. Следи за контейнерами, а не только за хостом Проверь, что реально ест память: docker stats Очень часто виноват не Docker как таковой, а один контейнер с утечкой памяти...

AirLLM буквально выбивает почву из аргумента “для больших моделей нужно дорогое железо”. Фреймворк позволяет запускать модели размером до 70B параметров даже на GPU с 4GB видеопамяти. Как это возможно? Вместо загрузки всей модели в память сразу, AirLLM: - подгружает модель по слоям - выполняет вычисления - освобождает память - переходит к следующему слою Фактически, это потоковая обработка модели. Более того, авторы показывают запуск Llama 3...

ИИ ускоряет работу, но может замедлять рост навыков, если на него слишком сильно опираться во время обучения. Как проводили эксперимент Сделали рандомизированное исследование: - 52 разработчика - никто не знал Python-библиотеку Trio - всем дали небольшую задачу - половине разрешили пользоваться AI-помощником - половине — нет После выполнения задания всех протестировали без ИИ, чтобы проверить реальные знания. Результат Группа с ИИ показала результаты на ~17% хуже: - без ИИ: ~67% - с ИИ: ~50% Самая сильная просадка — в дебагинге, то есть поиске и исправлении ошибок...