Open source — July 2026

💜 Quarta tem Alô, Comunidade!

Nossa convidada é Ariana Cursino, Cientista de Dados na Ford, voluntária no PyLadies Fortaleza e recém-chegada ao universo do Código Aberto.

Vamos bater um papo sobre transição de carreira, Ciência de Dados, comunidade, aprendizado e os primeiros passos contribuindo com Open Source.

Como sempre, o encontro é aberto para perguntas e muita troca de experiências!

📅 Quarta (08/07) 🕕 18h (BRT) 📍 Google Meet - aberto para todas as pessoas: https://calendar.app.google/V9K6vzsPoNSijzmz8

Chega junto! 🥥💜

👤 Цукерберг сделал ваше лицо опенсорсом.

🌐 Если ваш аккаунт в Instagram открытый, то другие пользователи могут тегнуть ваш профиль в промте и сгенерировать картинку с вашей внешностью через Meta AI.

И самое вкусное — функция включена по умолчанию🌟

То есть Цук решил заюзать ваши фотки, а потом где-то в настройках спрятать кнопку “отключить”.

⚙️ Не хотите однажды встретить себя в гачи-роли или аниме-вайфы — лучше проверить прямо сейчас. Отключается это так: настройки → репосты и повторное использование → использование постов и Reels.

Многих пользователей возмутило, что Инста позволяет себе такую дичь. Но что поделать — данные пользователей принадлежат платформе, горькая правда, зато честная.

@overbafer1

У кого есть доступ к AI?

Тут много говорят о nobody left behind. И на этом фоне очень интересен open source проект (maps.giga.global/map), который в real time показывает, у каких школ есть интернет. Кто-то бежит в AI, а где-то нет интернета.

tl;dr: senior/staff SWE, agentic search; relocation to Amsterdam/London/NY or remote

Хотите быстро делать крутые фронтирные штуки в стартапе, но немного скучаете по ДМС, сыркам на кофепойнте и ликвидным стокам? Принесли вам лучшее из двух миров: стартап внутри Nebius🧪

Стартап — это Tavily. В те далёкие времена, когда чатгпт ещё не умел ходить в интернет (то есть где-то в 2023), он появился как едва ли не первая опенсорсная реализация дипресёрча. А потом вырос в полноценный слой доступа к информации в интернете для агентов — со своим веб-индексом и ранжированием, заточенным не под людей, а под AI. За два года Tavily успел собрать миллионы пользователей, стать практически дефолтным поисковиком в LangChain, поднять $25M, и недавно — влиться в Nebius ❤️

Про Небиус вы и так знаете. Амстердамский AI cloud, который предоставляет компаниям GPU-инфраструктуру. Инженерное наследие Яндекса, $2B инвестиций от NVIDIA, а среди клиентов — Meta, Microsoft и Cursor.

Теперь, чтобы стать топ-1 агентским поиском, у них есть почти всё. Нужны только ещё несколько офигенных senior / staff инженеров: ⚙️ те, кто делает рантайм-часть — принимает запрос, достаёт, ранжирует и отдаёт документы под жёсткими требованиями к latency и throughput; 📁 те, кто отвечает за индексинг — строит сам индекс, считает фичи для ранжирования, занимается форматами хранения; 📍 те, кто знает, как обойти весь интернет, и обрабатывает данные в реалтайме.

Поэтому, если вы строили: ⭕очень высоконагруженные, low-latency системы (например, DBMS, query-движки, storage, HFT-инфру); ⭕или рекомендательные системы и рекламными движки; ⭕или веб-кроулеры; ⭕или большие оффлайн дата-пайплайны (поисковики, соцсети, маркетплейсы; Spark, MapReduce и вот это всё); ⭕или датасеты для претрейна LLM, или онлайн-датапайплайны (Apache Beam, Kafka, Flink); ⭕или делали что-то ещё, что вам кажется релевантным — напишите нам! Если сомневаетесь, напишите тоже, и мы разберёмся вместе.

На все роли нужны минимум 5 лет опыта (лучше больше) с C++, Rust и/или Golang и готовность много делать руками.

Суровые энтерпрайз-правила не дают нам назвать вилки — но они уж точно не ниже, чем в бигтехе, плюс эквити — Небиуса, конечно 📈 Можно переехать в Амстердам, Лондон, NY или Тель-Авив; если вы очень хороши и находитесь в другой части Европы или США — можно иногда обсудить и удалёнку.

Пишите Феде @owlkov 😏

Китай представив нового конкурента Mythos — модель GLM 5.2

За даними Wall Street Journal, новинка від Zhipu AI не поступається моделі Anthropic у пошуку вразливостей і виконанні завдань із кібербезпеки. Нагадаємо, раніше уряд США обмежив доступ до Mythos через побоювання щодо її можливостей, тоді як китайська модель наразі доступна без подібних обмежень.

Розробники вже називають GLM 5.2 першою open-source моделлю з дійсно сильним «вайбкодингом». За відгуками, у програмуванні та роботі з кодом вона конкурує з Claude і новими ChatGPT.

Схоже, після DeepSeek гонка ШІ отримала нового потужного гравця — і ставки стають дедалі вищими.

🤖 БотGPT // Новини

⭐️ Better Auth is joining Vercel!

Vercel is acquiring Better Auth, the company behind the open source TypeScript authentication library, which has 4.7M+ weekly npm downloads and more than 850 contributors. Founder Bereket Engida and the core team are joining Vercel to continue their work on Better Auth and agent identity.

Read More https://better-auth.com/blog/better-auth-joins-vercel

DexDo testnet is live — and you can earn points for testing it 🟡

DexDo is now testing AI limits trading. These are open-source tools for market-based interactions with AI limits.

The idea is simple: users can test how AI limits move through the market — from placing offers to buying and using them.

Everything is running in test mode for now, and your activity earns points that will count toward the rewards program: https://t.me/ackinackinews/758

Start testing here: https://dex.do/

You don’t need real funds for testing. All actions use test SHELL and NACKL. - Desktop: you can test full flow. - Mobile: you can only test buying and using.

Big thanks to @xalex77xalex for making a clear guide on how to go through the process yourself with your AI: https://t.me/ackinacki/325416

You can try it even with free AI accounts: Claude: https://claude.ai/ ChatGPT: https://chatgpt.com/

More about the testing was shared here: https://t.me/ackinacki/324328

AI Market is one of the future ways to make this interaction easier, almost like a normal chat. But it is not ready yet. You can follow Eugene’s work on that interface here: https://t.me/Eugene_story

The main step right now is simple: go to DexDo, test AI limits trading flows, use the tools, and earn points.

https://dex.do/

Китай может закрыть свои лучшие ИИ-модели от всего мира 👀

По данным СМИ, власти обсуждают с Alibaba, ByteDance и другими лидерами рынка ограничения на экспорт передовых нейросетей - включая open-source модели и даже те, которые еще не вышли

Если решение примут, мир может лишиться доступа к самым мощным китайским ИИ

Про AI

Когда не стыдно, тогда не стыдно: Сбер выпустил GigaChat 3.5 Ultra в открытый доступ.

Модель на 432 миллиарда параметров выложили по лицензии MIT. Это значит, что ее можно свободно использовать в любых коммерческих проектах.

Это сильный технический релиз. Разработчики не просто масштабировали классическую архитектуру, а создали первый в open-source гибрид MLA и GatedDeltaNet такого размера.

📊 Главные цифры: • Модель стала на 40% меньше предыдущей GigaChat 3.1 Ultra. • Скорость генерации выросла до 2,2 раз. • Потребление памяти под KV-кэш снизилось в 4 раза. • В базовых бенчмарках на код и математику новинка обходит DeepSeek V3.2 Exp Base. • В прямом сравнении с GPT-5 автоматический LLM-судья отдает победу GigaChat в 68,7% случаев.

Обучение полностью проходило в формате FP8. Для стабилизации процесса на таких масштабах разработчикам пришлось внедрить собственные механизмы Gated Attention и GatedNorm, которые локально приглушают слишком сильные сигналы в нейросети.

Веса модели уже доступны на HuggingFace и GitVerse.

📲 Дополнительные исследования и выводы — в MAX. Присоединяйтесь!

GigaChat 3.5 Ultra Publicly Released — The New Generation of the Flagship Model

The GigaChat team has released GigaChat 3.5 Ultra as open source—a new 432B model under the MIT license. This is the first open-source hybrid of GatedDeltaNet and MLA scaled to hundreds of billions of parameters, featuring a proprietary training recipe we refined through more than 1,500 experiments. The model has grown in terms of code, mathematics, agent scenarios, and application domains—yet it’s 40% smaller than GigaChat 3.1 Ultra.

What’s inside:

🔘A proprietary hybrid MLA + Gated DeltaNet architecture with a dedicated stabilization framework, without which this hybrid setup would not train reliably at this scale; 🔘 Gated Attention: the model can locally down-weight overly strong signals from the attention layer; 🔘GatedNorm: normalization with an explicit gate that controls signal magnitude across features; 🔘Approximately 4x lower KV cache per token: with the same memory budget, the model can support 2.14x longer context and deliver a 20% throughput increase under load; 🔘Two MTP heads, enabling up to 2.2x faster generation; 🔘FP8 across all training stages with no quality degradation compared with bf16, enabled by custom Triton and CUDA kernels; 🔘A new online RL stage after SFT and DPO.

Results:

🔘 GigaChat-3.5-Ultra-Base outperforms DeepSeek V3.2 Exp Base and DeepSeek V4 Flash Base on average across a set of general, math, and code benchmarks: 🔘 GigaChat-3.5-Ultra-Instruct is comparable to DeepSeek V3.2 in terms of average score, despite having half the size; 🔘 According to the MiniMax-M2.7 LLM judge, the average win rate against GigaChat 3.1 Ultra is 75.9%, and against GPT-5 is 68.7%.

The entire stack — data (our own LLM-filtered Common Crawl, 600+ programming languages in the code), architecture, training methodology, and infrastructure — was built end-to-end by GigaChat team. ➡️ HuggingFace

🦇 ЧТО ТАКОЕ C2-ФРЕЙМВОРК? РАЗБИРАЕМ НА ИСХОДНИКАХ

Я стал замечать, что некоторые стажёры и джуны не могут внятно ответить на вроде бы простой вопрос:

Чё такое C2-фреймворк?

Частый ответ:

🤯 Ну типа это такая штука, где много эксплойтов…

Похоже, во всём виноват Metasploit 😐

У многих первый опыт выглядит примерно так: открыл msfconsole, нашёл модуль, ёбнул по клаве бдумс-бдыщ - получил флаг😶

После этого человек начинает думать, что любой offensive framework - это просто огромная база эксплойтов. Нет ну нет сука нет⚠️

Эксплойты вообще не главная идея C2. Точнее оно к ним вообще почти никакого отношения не имеет🦋

Поэтому сегодня не будем просто учить определение. Возьмём реальный небольшой open-source C2 - MalvexC2 и посмотрим, как всё устроено внутри💀

Автор специально сделал проект простым для изучения архитектуры C2. Внутри основные компоненты разделены на:

🐈‍⬛Client 🐈‍⬛Server 🐈‍⬛Implant 🐈‍⬛Common

Давайте разбираться на великой и проверенной временем аналогии с сервером Minecraft 👍

🐱 1. SERVER - МАЙНКРАФТ-СЕРВЕР

Представь, что вы с друзьями решили поднять Minecraft-сервер.

Каждый может подключиться со своего компа, но состояние мира находится не у одного конкретного игрока.

Оно общее.

Примерно похожую роль играет C2 Server.

Оператор отправляет команды не напрямую из своего терминала в каждый заражённый хост.

Есть центральная инфраструктура, которая:

☠️ принимает соединения от агентов;

☠️ хранит информацию о подключённых машинах;

☠️ передаёт задания;

☠️ принимает результаты;

☠️ хранит логи;

☠️ позволяет нескольким операторам работать с общей инфраструктурой.

Наверняка у кого-то была ситуация на CTF:

🤡 Я SHELL ПОЛУЧИЛ, БЛЯ БУДУ!

- Дай посмотреть.

- Эээ… ну... пуньк среньк, смотри на мой моник в дс.

Пздц удобство 😁

C2 решает именно эту организационную проблему.

В MalvexC2 начинать изучение сервера советую отсюда:

Source/Server/server.cpp

Сначала не пытайся понять каждую строку.

Ответьте себе на вопросы:

❔ Где начинается программа?

❔ Какие компоненты сервер создаёт при запуске?

❔ Где поднимаются API эндпоинты?

❔ Какие объекты отвечают за жертв команды и результаты?

После этого переходишь в:

Source/Server/Endpoints/

Особенно:

BeaconEndpoint.cpp

Здесь уже начинается самое интересное: сервер получает сообщение от импланта, обрабатывает его данные и возвращает команды.

После этого посмотри на:

Source/Server/Services/CommandService.hpp

Source/Server/Services/ResultService.hpp

Source/Server/Services/VictimService.hpp

Не надо сразу пытаться разобраться во всей архитектуре.

Ваша задача на первом этапе — увидеть три сущности:

Victim -> Command -> Result

То есть:

машина появилась -> оператор создал задачу -> агент её выполнил -> результат вернулся на сервер.

Уже после понимания этой цепочки сервер перестанет выглядеть как магический чёрный ящик.

🐈‍⬛ 2. CLIENT - ТВОЙ MINECRAFT НА КОМПЬЮТЕРЕ

Сервер Minecraft может работать где-нибудь в подвале у Васи.

Но вы же не подключаетесь к его базе данных через SQL и не отправляете вручную сетевые пакеты 💪

Ты запускаешь Minecraft-клиент.

Примерно так же работает клиент C2.

Client - интерфейс оператора.

Через него человек:

💀 авторизуется;

💀 видит подключённые машины;

💀 выбирает нужную сессию;

💀 отправляет команды;

💀 получает результаты;

💀 просматривает логи;

💀 собирает имплант с нужной конфигурацией.

В MalvexC2 логика клиента находится здесь:

Source/Client/

Начни с:

Client.cpp

Это хороший центральный файл.

Посмотрите, какие менеджеры использует класс Client:

☺️ CommandManager

☺️ ResultManager

☺️ VictimManager

☺️ SessionManager

После этого переходишь к:

☺️ RestGateway.cpp

Вот здесь полезно остановиться.

Попытайся понять:

как клиент оператора вообще разговаривает с сервером?

Обрати внимание на запросы авторизации, получение victims, команд, результатов и логов.

После этого:

CommandManager.cpp

И уже затем:

UiTerminalTab.cpp

Почему UI я ставлю почти в конец?

Потому что новичок часто совершает ошибку:

открывает красивый интерфейс -> смотрит кнопочки -> нихуя не понимает архитектуру👍

🚀 YFSX & VIN, has been safely running for more than four years.

It is building around a more direct idea:

⚖️ Code-governed infrastructure, community ownership, and long-term liquidity sustainability on BSC.

At its core, YFSX & VIN uses a dual-token model:

🟡 $YFSX works as the governance and deflationary token, designed around voting, liquidity support, and ecosystem coordination.

🔵 $VIN works as the application and liquidity mining token, helping power the ecosystem’s reward and liquidity structure.

What makes the project worth watching is its focus on transparency and self-governed DeFi mechanics.

✅ No centralized registration. ✅ No permission gate. ✅ No unnecessary middle layer.

The ecosystem is built around on-chain execution, community consensus, liquidity systems, and open-source infrastructure.

Why should DeFi users explore YFSX & VIN?

Because the project is focused on fundamentals that matter in decentralized finance:

🔹 Open-source structure 🔹 BSC-based DeFi accessibility 🔹 Dual-token ecosystem design 🔹 Liquidity mining utility 🔹 Governance participation 🔹 Community-driven development 🔹 Contract-level transparency

The highest-quality project direction continues to highlight liquidity mining education, long-term participation, stronger governance, expanded dual-token applications, and future interoperability exploration.

For users who value DeFi systems built around code, transparency, and community-led growth, YFSX & VIN is a project worth researching closely.

🔗 Official Links:

🌐 Website: https://yfsx.vin 📄 Whitepaper: https://yfsx.vin/Whitepaper.html 💬 Telegram: https://t.me/yfsxvin 𝕏 X: https://x.com/yfsx__vin ▶️ YouTube: https://youtube.com/@yfsxvin 📝 Medium: https://medium.com/@yfsxvin2022 📊 CMC Community: https://coinmarketcap.com/community/profile/YFSXCommunity/

📌 BSC Contracts:

YFSX: 0xb7ec60cf8ef96ed48b119277bc7a954a87f27388 VIN: 0x85e43bf8faaf04ceddcd03d6c07438b72606a988

⚖️ Code is Law. 🌍 Community is the Future.

#YFSX #VIN #DeFi #BSC #BNBChain #OpenSource #Crypto #Web3 #DeFiCommunity #Blockchain

GigaChat 3.5 Ultra Publicly Released — The New Generation of the Flagship Model

The GigaChat team has released GigaChat 3.5 Ultra as open source—a new 432B model under the MIT license. This is the first open-source hybrid of GatedDeltaNet and MLA scaled to hundreds of billions of parameters, featuring a proprietary training recipe we refined through more than 1,500 experiments. The model has grown in terms of code, mathematics, agent scenarios, and application domains—yet it’s 40% smaller than GigaChat 3.1 Ultra. What’s inside:

🔘A proprietary hybrid MLA + Gated DeltaNet architecture with a dedicated stabilization framework, without which this hybrid setup would not train reliably at this scale; 🔘 Gated Attention: the model can locally down-weight overly strong signals from the attention layer; 🔘GatedNorm: normalization with an explicit gate that controls signal magnitude across features; 🔘Approximately 4x lower KV cache per token: with the same memory budget, the model can support 2.14x longer context and deliver a 20% throughput increase under load; 🔘Two MTP heads, enabling up to 2.2x faster generation; 🔘FP8 across all training stages with no quality degradation compared with bf16, enabled by custom Triton and CUDA kernels; 🔘A new online RL stage after SFT and DPO.

Results:

🔘 GigaChat-3.5-Ultra-Base outperforms DeepSeek V3.2 Exp Base and DeepSeek V4 Flash Base on average across a set of general, math, and code benchmarks: 🔘 GigaChat-3.5-Ultra-Instruct is comparable to DeepSeek V3.2 in terms of average score, despite having half the size; 🔘 According to the MiniMax-M2.7 LLM judge, the average win rate against GigaChat 3.1 Ultra is 75.9%, and against GPT-5 is 68.7%.

The entire stack — data (our own LLM-filtered Common Crawl, 600+ programming languages in the code), architecture, training methodology, and infrastructure — was built end-to-end by GigaChat team. ➡️ HuggingFace

Esteemed Crypto Enthusiasts,

🩷We are delighted to inform you of our newly formed partnership with YFSX & VIN. To stay abreast of regular updates, kindly follow our social media platforms.

⭐️ Platform Overview:

YFSX & VIN is an open-source dual-token DeFi ecosystem built on BNB Smart Chain, powered by YFSX and VIN.

YFSX supports governance, staking, deflationary mechanics, and ecosystem participation, while VIN focuses on liquidity mining, LP rewards, and dual-token utility.

With DEX-based access, smart-contract automation, public on-chain data, and community-driven governance, YFSXVIN aims to build a transparent and sustainable DeFi ecosystem.

🚨Disclaimer: Not financial advice. Always DYOR before participating in DeFi.

🔗YFSX & VIN Links :👇

✈️Telegram: https://t.me/yfsxvin 💬Twitter(X): x.com/yfsx__vin 📱Website: https://yfsx.vin

🤑Tweet: https://x.com/kryp_toon/status/2074164714943463708?s=46

🕊 ۱۰۰,۰۰۰ توکن رایگان + ۳ روز تست کامل در Featherless.ai! 🚀

دوست داری قوی‌ترین مدل‌های متن‌باز (Open-Source) دنیا رو بدون یک قرون هزینه تست کنی؟ با پلتفرم Featherless می‌تونی بدون درگیر شدن با چالش‌های سنگین هاست کردن و خرید GPU، فقط با یک API Key واحد به بیش از ۴۰,۰۰۰ مدل فرانتیر دسترسی آنی داشته باشی!

از مدل‌های پرچم‌دار کدنویسی، استدلال و تحلیل مثل DeepSeek V4 و Qwen 3 گرفته تا GLM 5.2؛ همگی آماده استفاده در پلتفرم‌ها، ربات‌ها، یا ابزارهای امنیت و آدیت کد شما هستند.

🔥 مزایای این آفر محدود:

🎁 ۱۰۰,۰۰۰ توکن رایگان برای بنچمارک و تست هر سایز مدلی که بخوای. ⏰ ۳ روز دسترسی کامل به تمامی امکانات پلتفرم و پنل توسعه‌دهندگان. 🔑 یک API Key واحد برای سوییچ کردن آنی بین هزاران مدل مختلف. ⚡️ سرعت فوق‌العاده بالا و بهینه‌شده برای پردازش‌های سنگین و بدون قطعی.

💡 به جای پرداخت هزینه‌های دلاری سنگین برای APIهای انحصاری و محدود، آزادی عمل و پایداری فوق‌العادهٔ مدل‌های اوپن‌سورس رو تجربه کن.

👉 همین حالا ۱۰۰ هزار توکن رایگان خودت رو فعال کن: featherless.ai

📱 @BINNER_IRAN

Наконец-то полезные фичи в питоне

Многие знают, что я почти не добавляю новые фичи в CPython, я стараюсь выпилить существующие и править баге в тех, что у меня не получается убирать. Новые если и добавляю, то без масштабных обсуждений.

Некоторые новые фичи встречают у меня сильный оптимизм: как новый встроенный sampling profiler. Вот тут видео про него кстати с прошедшего PyCon. Некоторые фичи встречают у меня понимание: как например typing.disjoint_base. Простая штука, решает понятную проблему. Некоторые фичи встречают у меня лютое подгорание: как например lazy imports. Вот доклад с пайкона и про них, кстати.

Я думаю, что мое понимание хорошей фичи очень сильно расходится с таким пониманием у других питонистов, мое понимание "хорошего питона" можно найти в моем wemake-python-styleguide.

Зная такую вводную, я решил сделать "большую" новую фичу. На один символ в грамматике.

Иммутабельному питону - быть!

У нас была довольно большая проблема: создавать мутабельные словари и множества - можно довольно легко. {1: 2} и {1, 2, 3}

Чтобы создать frozendict и frozenset нам уже нужен вызов функции: frozendict({1: 2}) и frozenset({1, ,2, 3}). Почему так делать не очень?

1. Потому что писать долго, мало людей будут заморачиваться. Зачем, когда проще создать мутабельную структуру? 2. Потому что frozendict и frozenset тупо медленнее. frozendict пока вообще имеет 0 оптимизаций для работы и просто в тупую копирует всю память из dict, который мы отправляем. Получая буквально O(n * 2) по памяти и времени работы. Делает лишний CALL. А frozenset({1, 2, 3}) немного оптимизирован через INTRINSIC_BUILD_FROZENSET опкод, который генерируется только для set в качестве входного аргумента 3. Неудобно писать comprehensions. Они получается сильно менее читаемые, чем их мутабельные версии

Мое предложение (пока только в формате обсуждения): https://discuss.python.org/t/frozenset-and-frozendict-comprehensions/101584/9 Мой PR с добавлением данной фичи в CPython: https://github.com/python/cpython/pull/152820 (он нужен для написания ПЕПа)

Как оно выглядит?

>>> ${1: 2} frozendict({1: 2}) >>> ${1, 2, 3} frozenset({1, 2, 3})

>>> ${x: x for x in range(3)} frozendict({0: 0, 1: 1, 2: 2}) >>> ${x for x in range(2)} frozenset({0, 1})

Что важно? Оно уже умеет все то, что умеют привычные нам конструкции без $: - ${} - пустой frozendict, как {} - пустой dict - ${1, *other} - распаковка внутри frozenset - ${**d for d in list_of_dicts} - распаковка внутри frozendict comprehension + PEP-798 - ${x async for x in async_iterable if x >0} - async frozenset comprehension с условием

Почему $? - Потому что $ - is the real deal 😎💸 - Потому что $ не имеет смысла сейчас: но будет значить "иммутабельность" - Потому что $ может легко в дальнейшем использовать для других иммутабельных штуках: $(x for x in range(1)) для нативного tuple comprehension, для PEP-805 с __freeze__ и тд

И другие новости моих опенсорс проектов одной строкой

- Новый релиз django-modern-rest с новыми DX фичами - Добавляем Token auth в следующий релиз DMR - msgspec готов к релизу новой версии с поддержкой frozendict - Улучшаем поддержку match/case в wemake-python-stylguide - Предлагаю улучшенное C-API для создания frozendict - Выпустил релиз punq с поддежкой типизации

Если вы хотите поддержать мою работу в опенсорсе: - https://boosty.to/sobolevn - https://github.com/sponsors/wemake-services

Обсуждение: Что вы думаете, нужен ли такой синтаксис? Удобнее ли будет пользоваться иммутабельными структурами после добавления такого синтаксиса?

Уиии! Собрали полностью работающую и размножающуюся клетку из искусственных компонентов.

Работа вот.

Можно посмотреть, как выглядит биологический опенсорс. Тут вот команда положила спецификации, списки ингредиентов, генетические последовательности и протоколы сборки.

Итак, давайте разбираться!

Простую клетку можно получить двумя путями — взять сложную и вырезать лишнее или собрать с нуля.

Несмотря на убеждения в массовой литературе, что на сбор с нуля достаточно 7 дней, годами у учёных это почему-то не получалось. Тут взяли неживые химические реагенты, смешали их и получили полноценный рост клетки, питание и передачу данных потомству на прототипе.

— Основа — липосома, пузырёк из жиров. — Внутри 7 плазмид генома (7 флешек с генокодом, всего 90 тысяч пар нуклеотидов) + фермент Phi29 для копирования этой ДНК + PURE, химически чистый бульон из рибосом и ферментов, который считывает ДНК и собирает белки. — Снаружи лежат кормовые липосомы. Клетка жрёт их строго по инструкции: что может сожрать — то еда. Чертёж белка для определения, что можно есть, ей тоже положили в код. В липосомах новые жиры и свежая порция ферментов. Метаболизм, говорят, допишут потом, пока вот пусть ест детское питание в банках.

Прогнали это через 5 поколений. Надо было есть, увеличиваться, накапливать энергию, копироваться, делиться. На тот момент клетка делилась лопатой с помощью учёного.

Ещё внутри положили очень крутой РНК-счётчик поколений, то есть все клетки растут сразу с логом.

Дальше стали издеваться над мутантами, вывели тех, кто жрёт больше и жаднее, но и тратит на поиски еды больше ресурсов. В нормальных условиях мутанты вытеснили обычные клетки, заняв 61% популяции. А когда устроили жёсткий дефицит еды, наглые гопники захватили 70% популяции, а обычные стали хиреть. Собственно, это модель естественного отбора.

Дальше избавились от лопаты и довольно элегантно научили клетки делиться сами, без клеточного скелета. Сначала думали, что эта часть кода будет завязываться на манипуляции с ним, а, значит, ещё нужно его где-то достать, а он сложный. В общем, ещё пара лет поддержки проекта сообществом, тысячи пулл-реквестов — и там будет нормальная архитектура, а пока делится она через хак. И очень просто, там даже распределения ресурсов нет, просто кто сколько забрал — то и унёс. Некоторые потомки имеют неполный код, соответственно, и не очень успешно живут.

Работа — препринт, они делятся результатами эксперимента лаборатории Катаржины Адамалы из Университета Миннесоты, это одна из передовых команд. Внутри, кстати, довольно дофига кода компонентов, прям генетического. Прям буквами.

-- Вступайте в ряды Фурье! | Лучшие посты Как делится клетка: o → O → 8 → oo

Last week in MultiversX 🌍

🌟 Supernova arrives September 10 ✍️ Beniamin's "What comes next" 💥 Every revolution begins with a spark: Happy July 4! 🔐 Guardians on-chain 2FA 💳 xMoney Stablecoins update 📈 New activity record — 226K+ daily tx 🧠 Open models & open source 🛠 Weekly #multiversxtech

🙌 Ecosystem highlights: The Palm Tree Network • Danny Serb • DBCrypto • Daniel Veroc • Project X • Gaupa • MihAIᕽ • GreenSmoke • Mack.EGLD

🌎 MultiversX 9.22M accounts • 614M transactions • 14.5M staked

📲 xPortal 3M+ users • 100k+ users stake $EGLD

⚡️ xExchange $3.12M TVL • 0.9M USD 7d Volume

RT: https://x.com/multiversx/status/2074025591020593540?s=46&t=Ws6bWLvZtjKOpcYEqobIHA

Godot фактически запрещает vibe coding в контрибуциях.

Причина простая: PR стало легче генерировать, но не легче проверять. Для open-source движка каждый патч всё равно должен разобрать мейнтейнер, который понимает архитектуру, риски и последствия изменений.

Теперь автономные агенты, крупные AI-сгенерированные куски кода и сгенерированный текст в issues, proposals и PR-дискуссиях запрещены. Разрешены только мелкие помощники вроде автодополнения, regex и find/replace. Помощь AI в коде нужно раскрывать.

На практике правило будет сложно применять: почти невозможно наверняка доказать, где был vibe coding, а где обычная работа разработчика.

Godot защищает не стиль разработки, а время ревьюеров. Код можно сгенерировать за минуты, но ответственность за него всё равно остаётся на людях.

godotengine.org/article/contribution-policy-2026/

✔️ Early access to AI Market https://ai.mininghub.ackinacki.com/

It’s a simple way to manage your own AI access and try trading it through DexDo. I brought two open-source tools under one roof: your AI account or subscription on one side, and DexDo trading on the other.

Important: I’m not selling access myself and I’m not responsible for the financial side of trades. I provide the interface and the AI assistant that helps you manage the flow. You decide what to do with your own access, and the trades themselves happen through DexDo.

Even though this is testnet, the trading flow is real: you are actually buying and selling access to AI.

The main interface is chat with Acki Nacki. Use it like a Telegram chat: just write what you want to do.

Examples of quick commands: • “Acki, connect my AI account” • “I want to sell access to my subscription” • “Show me available offers” • “Buy access for me” • “Use the access I bought” • “Check the deal status” • “Check my points”

The usual dashboard sections are secondary for now. Some buttons and forms may be rough or not fully working yet. The focus is the chat-driven flow.

What you can already try: • sign up • connect your AI account • view available offers • buy access from others • use the access you bought • earn points in the Points & Rewards program

To make it work, you need to connect your own AI account. Without that, Acki Nacki cannot perform trades for you. I know this is not ideal, but that’s how the first version works. I plan to simplify this in future updates.

The full flow: 1. Sign up. 2. Open the chat with Acki Nacki. 3. Connect your AI account. 4. Ask Acki to buy access. 5. Use the purchased limits through Acki. 6. Keep the tab active until the process is finished. 7. Wait for the final status. 8. Check your points in Points & Rewards.

Timing: set aside around 10–30 minutes for a full run. Some steps can take a while, especially the technical preparation for a deal. Keep the browser tab active the whole time: if you minimize the browser or switch away, the process may slow down or stop. A stable internet connection is also important.

If you try different commands, go through the flow, and hit errors, that still helps a lot. Acki sees the errors, collects the technical details, and automatically sends a task to me or the DexDo team. You don’t need to figure out where to report it, what logs to attach, or how to describe the issue.

Important: • selling access may currently fail for some AI models; this is a known limitation • buying and using purchased access is the main flow for this round • after a deal, points may not appear instantly; you should see the update within an hour • please discuss testing here. Everyone involved in development is there and can react quickly.

Buy and sell here https://ai.mininghub.ackinacki.com/

✔️ LLM-защита до запроса к модели

Tamga - open-source reverse proxy на Go, который ставится между приложением и LLM-провайдерами вроде OpenAI, Anthropic и Azure.

Задача простая: каждый промпт проходит проверку до отправки в модель.

Что умеет:

* искать PII, секреты и запрещённые паттерны * редактировать или блокировать опасные запросы * работать как OpenAI-compatible proxy * вести аудит инцидентов * прогонять adversarial-тесты в CI * держать низкую задержку на обычном CPU

Самое интересное в статье - честность автора.

Он собрал 62 adversarial-вектора и признаёт: 29 из них всё ещё обходят сканеры. Проблемные зоны ожидаемые:

* Unicode-трюки * zero-width символы * base64-обёртки * многоязычные prompt injection * перефразированные атаки

Вывод для продакшена жёсткий: LLM security нельзя строить только на regex и красивом middleware.

Нужны:

* нормализация текста до сканирования * быстрый deterministic слой * отдельный semantic judge для сложных случаев * adversarial corpus как часть CI * честный baseline по bypass rate

Хороший пример того, как должна выглядеть LLM-инфраструктура в regulated-среде: не «поставили guardrails и забыли», а постоянная проверка, измерение и улучшение.

GitHub: https://github.com/yatuk/tamga

Want to become an AI Engineer in 2026?

Don't start with LangChain. Don't start with Pinecone. Don't even start with AI Agents. Start by understanding this roadmap. 👇

Most people jump straight into building AI apps. They copy tutorials. They connect APIs. They launch chatbots. But when something breaks... They have no idea why. Because they skipped the fundamentals. Here's the AI ecosystem every aspiring AI Engineer should understand.

🧠 1. LLMs – The Brain These power reasoning, coding, conversations, and content generation. Examples: • GPT • Claude • Gemini • Llama 4 • Qwen 3 • DeepSeek • Mistral • Gemma 3 • Phi-4 👉 Learn what each model is good at and when to use it.

⚡ 2. Frameworks – The Orchestrator Frameworks connect LLMs with tools, APIs, memory, and workflows. Popular choices: • LangChain • LlamaIndex • Haystack • txtai 👉 These help you build production-ready AI applications.

📚 3. Vector Databases – AI Memory LLMs don't remember your documents. Vector databases do. Popular options: • Pinecone • Chroma • Qdrant • Weaviate • Milvus • PostgreSQL (pgvector) • Cassandra • OpenSearch 👉 Essential for Retrieval-Augmented Generation (RAG).

📄 4. Data Extraction – Feed Your AI Before AI can answer questions... It needs clean, structured data. Tools include: • Crawl4AI • FireCrawl • ScrapeGraphAI • MegaParser • Docling • LlamaParse • ExtractThinker 👉 Great AI starts with great data.

🚀 5. Open LLM Access Experiment, self-host, and deploy open-source models with: • Hugging Face • Ollama • Groq • Together AI 👉 Perfect for local development and production deployments.

🔍 6. Text Embeddings – The Search Engine Embeddings convert text into vectors that AI can understand and retrieve. Popular providers: • OpenAI • Voyage AI • Google • Cohere • Nomic • SBERT 👉 The quality of your embeddings directly impacts your RAG system.

📊 7. Evaluation – The Most Overlooked Layer A good AI app isn't the one that looks smart. It's the one that's measurably reliable. Evaluate: ✅ Accuracy ✅ Hallucinations ✅ Retrieval quality ✅ Response consistency Tools like Giskard and DeepEval help you build AI you can trust.

If I were starting from scratch today, I'd learn in this order: 1️⃣ LLM Fundamentals 2️⃣ Prompt Engineering 3️⃣ Embeddings 4️⃣ Vector Databases 5️⃣ RAG 6️⃣ AI Frameworks 7️⃣ AI Agents 8️⃣ Evaluation Master these, and you'll understand how modern AI systems are actually built. Not just how to copy them.

❤️ Save this roadmap.

🔁 Share this so someone preparing for an AI job in 2026 doesn't waste months learning the wrong things.

One share could help a student, developer or job seeker understand the AI stack that companies are actually hiring for.

Follow us: https://t.me/Artificial_intelligence_in

💵 GFusion: как мы обучали диффузионную LLM в GigaChat

«А что, если LLM будет генерировать не строго по одному токену слева направо, а сразу блок текста?»

Именно эту идею мы проверяли в проекте GFusion — диффузионной языковой модели на базе GigaChat3-10B-A1.8B-base.

Отдельно хочется отметить, что этот проект начал и довёл до релиза стажер команды GigaChat Pretrain. Он прошёл весь путь от идеи и первых экспериментов до обучения модели, оптимизаций, поддержки в inference runtime и публикации в open source.

Почему это интересно?

Классические LLM генерируют текст авторегрессионно: каждый следующий токен зависит от всех предыдущих. Это устоявшийся подход, но шаги генерации модели выполняются строго последовательно.

В то же время диффузионная LLM берёт частично замаскированный блок и постепенно восстанавливает токены внутри него. За один forward pass модель может финализировать не один, а сразу несколько токенов.

Так и появляется ускорение. Чем больше токенов модель уверенно восстанавливает за один проход, тем меньше шагов ей нужно для генерации ответа.

Вместо дорогостоящего обучения с нуля мы взяли сильную авторегрессионную LLM и перевели её в диффузионный режим генерации.

Цикл обучения включал: 🔘адаптацию AR-модели к диффузионной генерации; 🔘постепенное увеличение размера блока; 🔘сравнение полностью диффузионного обучения и гибридного подхода AR+dLLM; 🔘SFT с complementary masking и стадией confidence tuning для дополнительного ускорения генерации.

Результаты:

🔘GFusion в режиме одного пользователя генерирует в среднем на 70% быстрее GigaChat3-10B-A1.8B. 🔘Даже по сравнению с GigaChat3-10B-A1.8B + MTP-головой ускорение составило около 39%. 🔘Просадка качества относительно авторегрессионной модели осталась в пределах 2–4 п.п., а сам трейд-офф между скоростью и качеством можно контролировать параметрами диффузионной генерации. 🔘Добавлена поддержка GFusion в SGLang и реализован entropy-bounded sampling — алгоритм семплирования, который ускоряет генерацию не только GFusion, но и других диффузионных LLM. 🔘Для обучения написана и выложена в open-source своя реализация attention на TileLang под структуру диффузионной маски и получено до +77% end-to-end ускорения относительно Flex-Attention на длинном контексте.

💡 Главный вывод GFusion состоит в том, что ускорение LLM может требовать переосмысления самого подхода к генерации. Однако, чтобы это заработало на практике, важно довести до рабочего состояния весь стек от обучения и SFT до декодинга, attention-ядер и поддержки в inference runtime.

➡️Подробности — в статье на Habr. ➡️HF: GFusion-10B-A1.8B-base GFusion-10B-A1.8B ➡️GitVerse

💜 Quarta tem Alô, Comunidade!

Nossa convidada é Ariana Cursino, Cientista de Dados na Ford, voluntária no PyLadies Fortaleza e recém-chegada ao universo do Código Aberto.

Vamos bater um papo sobre transição de carreira, Ciência de Dados, comunidade, aprendizado e os primeiros passos contribuindo com Open Source.

Como sempre, o encontro é aberto para perguntas e muita troca de experiências!

📅 Quarta (08/07) 🕕 18h (BRT) 📍 Google Meet - aberto para todas as pessoas: https://calendar.app.google/V9K6vzsPoNSijzmz8

Chega junto! 🥥💜