Python *

Есть Qwen 3.8 27B, дообученная (SFT + LoRA) на корпусе по платформе 1С:Предприятие — модель выложена на hugging face. Модель неплохо пишет код на встроенном языке, но на языке запросов 1С регулярно ошибается: путает виртуальные таблицы, ставит параметры не туда, подмешивает конструкции из SQL, которых в 1С нет.

Попытки классического подхода дообучать и дальше модель, собирая все новые и новые датасеты по языку запросов 1С, ни к чему не приводят. Выигрыш в accuracy дает меньше 1%. Ну и это долгий и мучительный процесс.

В процессе мучений с моделями qwen, разбора телеметрии использования модели возникла гипотеза: модели мешают знания по конструкциям SQL, т.к. лексемы схожие (SELECT, WITH, JOIN и.т.п.).

Отсюда возникает вопрос: можно ли найти конкретные нейроны, которые «тянут» модель к неправильному ответу, и аккуратно приглушить только их?

В статье — полный конвейер, который я назвал NERVE (Neuron Editing, Reweighted & Val-Evaluated)

В ночь на 2 ноября хостинг Beget взломали, и мой VPS исчез вместе с базой. Рассказываю, что пропало и что спасло: скрипт выкладки, аварийная страница DNS и перезапуск Caddy. Почему с нового сервера не открылись Telegram и API модели, как бот перешёл на long polling и сколько стоили три с половиной дня простоя с включённой рекламой.

Это продолжение истории про «Универсальный скачиватель», программу для Windows, которая качает видео и музыку через yt-dlp. В прошлый раз я рассказывал, как упаковывал консольную утилиту так, чтобы ей мог пользоваться любой человек. Сегодня про версию 1.4, а в ней почти нет нового функционала: я переделал внешний вид. Если кратко, то движок остался тем же (Flask на 127.0.0.1, страница в браузере, один файл index.html), а в Python поменялась одна строка с номером версии. Всё остальное — разметка, стили и немного скрипта.

Как я сделал бота, который сам приходит на встречи в Teams / Яндекс Телемост / МТС Линк, записывает разговор и через несколько минут отдаёт расшифровку и саммари с договорённостями. Почему не Copilot и не штатная расшифровка, почему два разных потока вместо одного, какие грабли собрал и что показали четыре месяца в проде.

В первой части я рассказывал, как собрал RAG-систему с LangGraph-агентом на локальных LLM. Она умела искать новости, отвечать на вопросы и извлекать сущности. Но для трейдинга этого мало — нужно не просто читать, а предсказывать.

В этой статье я расскажу, как превратил новостной скрапер в ML-пайплайн, который генерирует торговые сигналы (BUY/SELL/NEUTRAL) с доказательствами. Мы пройдём путь от привязки новостей к тикерам до Explainable UI, разберём грабли на малых данных и заглянем в архитектурное будущее проекта.

Стек: Scikit-learn, Plotly, FastAPI, Streamlit, PostgreSQL, Ollama.

Менеджер пакетов pnpm исправил обработку сжатых данных и операции подписи, pipx ускорил обновление сертификатов в общей копии pip, а бот Renovate расширил обновления безопасности на транзитивные зависимости из lock-файла.

Около двух лет я делаю Telegram-бота, который проверяет развёрнутые ответы ЕГЭ по обществознанию: примеры, планы, обоснования. Я учитель и эксперт ЕГЭ, и главный вывод проекта звучит неожиданно для тех, кто строит продукты на LLM: модели нельзя поручать ставить балл.

В моём боте модель только размечает ответ по JSON-схеме: какие примеры конкретны, какие суждения верны, какие пункты плана ключевые. Балл считает обычный код, а перепроверки могут его только понизить. В задании с планом модель на балл вообще не влияет: там работают лемматизация и сверка с эталонами.

В статье расскажу, как устроен путь одного ответа, кто что считает в каждом из девяти заданий, почему одного «негативного сигнала» модели недостаточно, чтобы снять балл, что делать, когда ИИ недоступен, и сколько стоит одна проверка.

Инженер Microsoft Скотт Хансельман представил открытый проект под названием gputaskman. Это утилита для ПК на Windows, Linux, WSL и macOS, которая показывает процессы, использующие мощности видеокарты (GPU). Исходный код решения написан Copilot на Python и опубликован на GitHub под лицензией MIT.

Можно ли превратить фотографию сухого школьного списка географических объектов, которые нужно выучить за каникулы в полноценный тренажер карты мира? Во втором выпуске «Очумелых ручек с Чижиком» делаем офлайн-приложение с 82 объектами, подсказками и установщиком для Windows - и выясняем, почему Байкал найти проще, чем правильно обработать один клик мыши.

Признай, разработчик, ты же любишь отправлять пароль в теле POST‑запроса из формы входа открытым текстом, ведь «там же TLS, всё зашифровано»? Судя по тому что я вижу в интернете, эту традицию соблюдают многие, ИИ — не исключение. Одни продолжают запрашивать по сети пароли, прикрытые звёздочками, другие — используют одинаковый пароль в десятке различных сервисов. Даже Госуслуги не стали исключением.
В этой статье я кратко разобрал в чём проблема, кто виноват и что делать.

Представлен открытый скрипт, который позволяет получить от Google два года подписки AI Pro бесплатно. Решение основано на сборе всех промо‑акций от разработчиков Gemini. Скрипт самостоятельно проведёт всю операцию, введёт нужный адрес, а в конце ещё отменит автосписание. Рекомендуется использовать проект с нового аккаунта на случай бана и задействовать виртуальную карту без баланса для привязки.

Клиенты пишут в бота MAX, операторы отвечают из Chatwoot на своём сервере, а между ними мост на Python. По дороге выяснилось, что Chatwoot не шлёт вебхуки во внутреннюю сеть, API MAX работает на сертификате Минцифры, а один и тот же ответ норовит уйти клиенту дважды. Ниже о том, как устроен мост и какие решения пришлось принять.

Почему в CustomTkinter не работают Ctrl+C / Ctrl+V и как это починить

Писал админку на CustomTkinter и наткнулся на классический баг: стандартное контекстное меню (правая кнопка мыши) с «Копировать/Вставить» просто не работает. Точнее, оно появляется, но при нажатии ничего не происходит.

Проблема в том, что CTkEntry наследуется от tkinter, но не обрабатывает системные виртуальные события (<<Copy>>, <<Paste>>) так, как мы привыкли.

Как это выглядит в коде (не работает):

Привет, Хаброжители! Менее чем за десятилетие глубокое обучение пережило два ключевых этапа. Сначала Python-библиотеки вроде Keras, TensorFlow и PyTorch вывели нейронные сети из лабораторных экспериментов в реальный продакшен. Затем LLM и другие инструменты генеративного ИИ преобразовали жизнь бизнеса и общества. Франсуа Шолле, создатель библиотеки Keras, и Мэттью Уотсон, занимающийся разработкой Gemini в Google, полностью переработали и обновили книгу, чтобы вы разобрались в устройстве трансформеров, собрали собственную мини-модель GPT и диффузионную модель генерации изображений и дообучили языковую модель методом LoRA.

Лиза Петровна — наш ИИ-ассистент, бесплатный бот в Telegram и MAX. В прошлой статье на Хабре я рассказывал про его архитектуру и роутинг моделей. Статью заслуженно заминусовали: получился обзор продукта, а не инженерный текст. Учёл.

Эта статья про одну конкретную вещь: как мы подключили бота к MAX так, чтобы он был тем же самым ассистентом, что в Telegram, с той же памятью и теми же агентами. И что из этого вышло, когда мы включили рекламу: за 2–5 ноября в бота пришли 416 человек, из них 311 в MAX и 126 в Telegram.

Привет, Хабр! Меня зовут Никита Калганов, я ведущий системный инженер данных в X5 Tech. Мы с командой проектируем и развиваем высоконагруженную систему потоков данных и поддерживаем её в условиях постоянного роста, как по числу потоков, так и по количеству команд, которые с ней работают.

В нашей системе обработки данных живёт больше двенадцати тысяч потоков данных, и их число растёт в среднем на несколько десятков в день. Всё нормально работает, но мы решили сделать её ещё лучше. В этой статье расскажу, как мы построили единое окно инженера данных, сделали собственный DDL-мигратор с поддержкой зависимостей и при этом сохранили то, что уже работает.

По умолчанию у requests таймаута нет: клиент может висеть часами. Разбираем, чем connect отличается от read, почему одно число в timeout — не «длина всего запроса», как настроить urllib3.Retry без шторма и POST-дублей, и как ограничить всю операцию бюджетом времени. Код прогнан на Python 3.13 и requests 2.34 / urllib3 2.8; цифры — с локального стенда.

Ранее я рассказывал о своих попытках написать модель для детекции игроков на волейбольной площадке. Следующий шаг — научиться определять, когда игрок касается мяча и какое действие выполняет.

True - язык программирования, где программа есть цикл, а код программы - лента кубитов (строк).

Simple - кроссплатформенный интерпретатор на Python 3 + Tkinter. Простой, без зависимостей.

Игрок с рейтингом 2100+ в блице, у которого на часах больше минуты, ошибается примерно как игрок 2300. Когда на часах остается меньше пяти секунд, доля грубых ошибок у того же игрока такая, как у 1400 со спокойным запасом времени. Почти тысяча пунктов рейтинга теряется на последней минуте.

Эту цифру я получил на открытой базе Lichess и сначала ей не поверил. Ниже рассказываю, откуда она, где я сам ошибся по дороге и какая часть эффекта на самом деле приходится на сложность позиции.