PythonTalk | Всё о Python
03 сент. 2026 г., 10:13
Привет, меня зовут Олег Булыгин 👋 🐍 Здесь я делюсь полезной информацией для тех, кто пишет код на Python: от разработки до Data Science. По вопросам: @obulygin91
131
Last views
22 (22 subscribers)
Участники
—
Rating
12
Total Posts
Oct 17, 2026, 6:00 PM
Обновлено
May 1, 2026
Created
Вы просматриваете русский контент. Чтобы увидеть контент на других языках, измените язык сайта.
Channel Information
| Channel Name | PythonTalk | Всё о Python |
|---|---|
| Username | @pythontalk_ru |
| Category | Кодинг и программирование |
| Language | русский |
| Country | Россия |
| Участники | 22 |
| Channel Type | Public Channel |
| Created | 1 мая 2026 г. |
| Last Updated | 17 окт. 2026 г. • 5 дней назад |
| Status | Active |
Рейтинг
Глобальный рейтинг
#16214-17
Рейтинг по языку
#5909-22
Рейтинг по категории
#77+1
Top 10 posts
Most viewed posts from this channel
- #1🔥 Размер не имеет значения: Qwen унизили свой же флагман1.0K
- #2Запускаем Claude Code без ключа от Anthropic 🏴☠️910
- #3🚩 Красный флаг в ML: у вас слишком хорошая модель883
- #4GPT-5.5 vs DeepSeek V4. Пока вы спали, мир в очередной раз перевернулс873
- #5Цифровая некрофилия и корпоративный шпионаж: чем теперь кормят ИИ ☠️859
- #6Эпоха дешёвых ИИ-агентов заканчивается? 💸856
- #7Что делает ИИ с рынком IT 🔪852
- #8Docker vs venv: битва за деплой ⚔️⚔️835
- #9Запускать локальные LLM на своём железе уже давно не удел избранных с 828
- #10Шок-контент: программистам внезапно пришлось учиться 😱732
Последние посты
PythonTalk | Всё о Python
03 сент. 2026 г., 10:13
Channel created
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Запускать локальные LLM на своём железе уже давно не удел избранных с кластерами из H100. Или все же удел? 😁
🗓 1 мая в 18:00 по мск пройдет прямой эфир в « https://t.me/TScompiler_bot». Будем разбирать установку и использование локальных моделей.
О чем пойдет речь:
▪️ Как выбрать подходящую модель под ваше железо, чтобы она не сожрала всю память системы и работала с адекватным TPS (tokens per second).
▪️ Поднятие модели в режиме чата для повседневных задач.
▪️ Подключение локальной LLM к агентной IDE (в качестве примера возьмем Kilo Code).
▪️ Маршрутизация запросов к локалке через LangChain.
▪️ Оно вообще надо?
Трансляция и запись будут доступны участникам «Точки Сборки». Оформление доступа происходит через бота: https://t.me/TScompiler_bot
🗓 1 мая в 18:00 по мск пройдет прямой эфир в « https://t.me/TScompiler_bot». Будем разбирать установку и использование локальных моделей.
О чем пойдет речь:
▪️ Как выбрать подходящую модель под ваше железо, чтобы она не сожрала всю память системы и работала с адекватным TPS (tokens per second).
▪️ Поднятие модели в режиме чата для повседневных задач.
▪️ Подключение локальной LLM к агентной IDE (в качестве примера возьмем Kilo Code).
▪️ Маршрутизация запросов к локалке через LangChain.
▪️ Оно вообще надо?
Трансляция и запись будут доступны участникам «Точки Сборки». Оформление доступа происходит через бота: https://t.me/TScompiler_bot
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Шок-контент: программистам внезапно пришлось учиться 😱
Business Insider https://www.businessinsider.com/upskilling-new-side-hustle-for-software-engineers-ai-era-2026-4?IR=T показательную статью: разработчики стонут, что им приходится тратить по 20+ часов в неделю на изучение новых AI-инструментов, чтобы не вылететь с рынка.
От мидлов и сеньоров на бэкенде теперь ждут не просто CRUD, а:
▫️ Понимания Model Context Protocol (MCP) и умения писать под него серверы.
▫️ Архитектуры RAG-пайплайнов, которые выдают релевантный контекст, а не галлюцинируют от первого же кривого эмбеддинга.
▫️ Оркестрации мультиагентных систем.
Голый бэкенд без интеллектуальной обвязки стремительно теряет добавленную стоимость. Цитата из статьи:
Backend engineering is now going to transition into AI engineering
Открою страшную тайну, о которой почему-то забыли: IT всегда было про бесконечное обучение. Правда платят теперь за это сравнительно уже не так много 🌚
Business Insider https://www.businessinsider.com/upskilling-new-side-hustle-for-software-engineers-ai-era-2026-4?IR=T показательную статью: разработчики стонут, что им приходится тратить по 20+ часов в неделю на изучение новых AI-инструментов, чтобы не вылететь с рынка.
От мидлов и сеньоров на бэкенде теперь ждут не просто CRUD, а:
▫️ Понимания Model Context Protocol (MCP) и умения писать под него серверы.
▫️ Архитектуры RAG-пайплайнов, которые выдают релевантный контекст, а не галлюцинируют от первого же кривого эмбеддинга.
▫️ Оркестрации мультиагентных систем.
Голый бэкенд без интеллектуальной обвязки стремительно теряет добавленную стоимость. Цитата из статьи:
Backend engineering is now going to transition into AI engineering
Открою страшную тайну, о которой почему-то забыли: IT всегда было про бесконечное обучение. Правда платят теперь за это сравнительно уже не так много 🌚
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Что делает ИИ с рынком IT 🔪
Вышли два жирных репорта от https://3959436.fs1.hubspotusercontent-na1.net/hubfs/3959436/Marketingcontent/FocaldataWorkforceAITracker,Wave1.pdf (совместно с Financial Times) и https://www.anthropic.com/research/81k-economics об экономическом влиянии ИИ на рабочие места.
Вот самое интересное из них 👇
Парадокс программиста: быстрее кодишь — сильнее боишься
По данным Anthropic, именно разработчики (вместе с другими высокооплачиваемыми технарями) получают максимальный буст к продуктивности от использования условного Claude.
Но здесь же кроется парадокс: график страха потерять работу имеет U-образную форму. Сильнее всего боятся две категории: те, кому ИИ усложнил жизнь, и те, чья работа сильно ускорилась. Программисты в топе последних. Когда ты закрываешь таску за 15 минут вместо двух часов, ты начинаешь задавать себе резонный вопрос: «А сколько еще таких, как я, нужно бизнесу?»
Конец пирамиды и рождение «бриллианта» 💎
Отчет Focaldata подтверждает: ИИ выжигает джунские позиции.
Исторически структура IT-компаний напоминала пирамиду: толпа дешевых джунов внизу делает рутину, над ними мидлы, на самом верху — дорогие сеньоры и лиды.
Теперь рынок превращается в «бриллиант» (ромб). Низ отсекается. Задачи, которые раньше отдавали вчерашним выпускникам курсов (поиск информации, базовая генерация бойлерплейта, простые скрипты), теперь делает ИИ.
Данные найма это уже подтверждают: спрос на джунов падает, а на сеньоров — растет. Бизнесу больше не нужно растить «мясо», ему нужны техлиды, способные управлять армией ИИ-агентов.
Угроза не от ИИ, угроза от «не-технарей»
Самый интересный инсайт про продуктивность. Прирост идет по двум осям: скорость (делать то же самое быстрее) и масштаб (делать то, чего раньше не умел).
Так вот, 48% опрошенных отметили именно расширение возможностей. Цитата из отчета: «I’m a non tech guy but now I’m a full stack developer».
Менеджеры, маркетологи и аналитики используют нейронки, чтобы закрывать базовые технические потребности без привлечения отдела разработки. Ну и те, кто на этом зарабатывал — ПАКА.
Двухуровневая экономика
Главный вывод аналитиков: мы идем к двухуровневой системе.
Ежедневно ИИ в работе используют менее 20% сотрудников. Остальные либо делают это раз в месяц, либо игнорируют.
Формируется колоссальный разрыв. С одной стороны — AI-native специалисты (обычно на синьорских позициях), которые капитализируют свою эффективность и требуют больше денег. С другой — AI-excluded масса (в основном джуны и линейный персонал), которая будет конкурировать за сокращающееся количество рабочих мест с нулевым ростом зарплат.
Интересно, что руководители в технологическом секторе планируют увеличивать штат, а не сокращать его (в США индекс ожиданий найма в IT составил +18). Но нанимать они будут тех самых AI-native мидлов и сеньоров, чтобы те тащили еще больше проектов.
В общем, успевайте там ☕️
Вышли два жирных репорта от https://3959436.fs1.hubspotusercontent-na1.net/hubfs/3959436/Marketingcontent/FocaldataWorkforceAITracker,Wave1.pdf (совместно с Financial Times) и https://www.anthropic.com/research/81k-economics об экономическом влиянии ИИ на рабочие места.
Вот самое интересное из них 👇
Парадокс программиста: быстрее кодишь — сильнее боишься
По данным Anthropic, именно разработчики (вместе с другими высокооплачиваемыми технарями) получают максимальный буст к продуктивности от использования условного Claude.
Но здесь же кроется парадокс: график страха потерять работу имеет U-образную форму. Сильнее всего боятся две категории: те, кому ИИ усложнил жизнь, и те, чья работа сильно ускорилась. Программисты в топе последних. Когда ты закрываешь таску за 15 минут вместо двух часов, ты начинаешь задавать себе резонный вопрос: «А сколько еще таких, как я, нужно бизнесу?»
Конец пирамиды и рождение «бриллианта» 💎
Отчет Focaldata подтверждает: ИИ выжигает джунские позиции.
Исторически структура IT-компаний напоминала пирамиду: толпа дешевых джунов внизу делает рутину, над ними мидлы, на самом верху — дорогие сеньоры и лиды.
Теперь рынок превращается в «бриллиант» (ромб). Низ отсекается. Задачи, которые раньше отдавали вчерашним выпускникам курсов (поиск информации, базовая генерация бойлерплейта, простые скрипты), теперь делает ИИ.
Данные найма это уже подтверждают: спрос на джунов падает, а на сеньоров — растет. Бизнесу больше не нужно растить «мясо», ему нужны техлиды, способные управлять армией ИИ-агентов.
Угроза не от ИИ, угроза от «не-технарей»
Самый интересный инсайт про продуктивность. Прирост идет по двум осям: скорость (делать то же самое быстрее) и масштаб (делать то, чего раньше не умел).
Так вот, 48% опрошенных отметили именно расширение возможностей. Цитата из отчета: «I’m a non tech guy but now I’m a full stack developer».
Менеджеры, маркетологи и аналитики используют нейронки, чтобы закрывать базовые технические потребности без привлечения отдела разработки. Ну и те, кто на этом зарабатывал — ПАКА.
Двухуровневая экономика
Главный вывод аналитиков: мы идем к двухуровневой системе.
Ежедневно ИИ в работе используют менее 20% сотрудников. Остальные либо делают это раз в месяц, либо игнорируют.
Формируется колоссальный разрыв. С одной стороны — AI-native специалисты (обычно на синьорских позициях), которые капитализируют свою эффективность и требуют больше денег. С другой — AI-excluded масса (в основном джуны и линейный персонал), которая будет конкурировать за сокращающееся количество рабочих мест с нулевым ростом зарплат.
Интересно, что руководители в технологическом секторе планируют увеличивать штат, а не сокращать его (в США индекс ожиданий найма в IT составил +18). Но нанимать они будут тех самых AI-native мидлов и сеньоров, чтобы те тащили еще больше проектов.
В общем, успевайте там ☕️
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Запускаем Claude Code без ключа от Anthropic 🏴☠️
Недавно появился очень любопытный проект free-claude-code. По факту это прокси-сервер на FastAPI, который подменяет собой эндпоинты Anthropic. Вы скармливаете ему запросы от оригинального Claude Code, а он роутит их куда вам выгодно: в бесплатный тир NVIDIA NIM, в OpenRouter, напрямую в DeepSeek или вообще в локальный LM Studio / llama.cpp.
Что тут интересного (кроме очевидной халявы):
1️⃣ Heuristic Tool Parser
Дешевые или локально запущенные квантованные модели часто тупят с вызовом тулзов в строгом формате. Автор написал собственную стейт-машину (providers/common/heuristic_tool_parser.py), которая парсит сырой текстовый выхлоп модели и прямо в стриме заворачивает его в легитимный Anthropic tool_use блок. Идеальный костыль для глупых моделей, чтобы заставить их работать с инструментами Claude.
2️⃣ Перехват служебного трафика
В api/optimization_handlers.py реализован локальный перехват "мусорных" реквестов. Claude Code под капотом постоянно шлет запросы на чек квоты, генерацию тайтлов для истории, автокомплит путей к файлам и саджесты. Прокси отбивает их сам захардкоженными ответами, вообще не дергая внешнюю LLM. Экономит время, деньги и лимиты.
3️⃣ Трансляция рассуждений на лету
ThinkTagParser в реальном времени выкусывает теги <think> (привет, DeepSeek-R1) или извлекает reasoning_content из ответа провайдера, мапя их в официальные thinking блоки Anthropic. Для клиента это выглядит так, будто отвечает нативный Claude.
Как дикий бонус: к прокси прикручен хендлер для Telegram и Discord. Можно натравить бота на локальную папку с проектом, кидать ему войсы (транскрибируются через локальный Whisper), а агент будет писать код у вас на компе. Идеально, если хочется пофиксить прод, пока едешь в такси (пожалуйста, не надо так делать).
Срочно пробовать! Отпишитесь потом, можно ли работает ли очередная спасительная халява ☕️
Недавно появился очень любопытный проект free-claude-code. По факту это прокси-сервер на FastAPI, который подменяет собой эндпоинты Anthropic. Вы скармливаете ему запросы от оригинального Claude Code, а он роутит их куда вам выгодно: в бесплатный тир NVIDIA NIM, в OpenRouter, напрямую в DeepSeek или вообще в локальный LM Studio / llama.cpp.
Что тут интересного (кроме очевидной халявы):
1️⃣ Heuristic Tool Parser
Дешевые или локально запущенные квантованные модели часто тупят с вызовом тулзов в строгом формате. Автор написал собственную стейт-машину (providers/common/heuristic_tool_parser.py), которая парсит сырой текстовый выхлоп модели и прямо в стриме заворачивает его в легитимный Anthropic tool_use блок. Идеальный костыль для глупых моделей, чтобы заставить их работать с инструментами Claude.
2️⃣ Перехват служебного трафика
В api/optimization_handlers.py реализован локальный перехват "мусорных" реквестов. Claude Code под капотом постоянно шлет запросы на чек квоты, генерацию тайтлов для истории, автокомплит путей к файлам и саджесты. Прокси отбивает их сам захардкоженными ответами, вообще не дергая внешнюю LLM. Экономит время, деньги и лимиты.
3️⃣ Трансляция рассуждений на лету
ThinkTagParser в реальном времени выкусывает теги <think> (привет, DeepSeek-R1) или извлекает reasoning_content из ответа провайдера, мапя их в официальные thinking блоки Anthropic. Для клиента это выглядит так, будто отвечает нативный Claude.
Как дикий бонус: к прокси прикручен хендлер для Telegram и Discord. Можно натравить бота на локальную папку с проектом, кидать ему войсы (транскрибируются через локальный Whisper), а агент будет писать код у вас на компе. Идеально, если хочется пофиксить прод, пока едешь в такси (пожалуйста, не надо так делать).
Срочно пробовать! Отпишитесь потом, можно ли работает ли очередная спасительная халява ☕️
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
🚩 Красный флаг в ML: у вас слишком хорошая модель
Вы натренировали свою первую модель. Вывели метрики. Там R2 стремится к 0.99.
Что делает типичный новичок? Радуется, бежит к заказчику требовать премию и просит выкатывать это чудо в прод.
Что делает человек с опытом? Седеет, нервно пьет кофе и идет искать, где у него утечка данных.
В реальном мире идеальных метрик почти не бывает. Если ваша модель угадывает всё, значит она читерит. Модель должна работать на новых, невиданных ранее данных. А для этого нужно понимать логику валидации, а не просто по привычке копипастить train_test_split.
Вот такие вещи мы будем изучать в новом сезоне Мастер-группы по ML. В программе:
🟢 5 эфиров: от самых азов машинного обучения до построения и валидации базовых линейных моделей.
🟢 1 эфир — командная практика. Хватит просто смотреть лекции. Будете в командах решать практическую задачу, а потом мы все вместе будем разбирать результаты (и смотреть, кто где накосячил).
🟢 Записи и мои файлы с кодом, естественно, остаются у вас. Забираете и используете как шпаргалку в работе.
🗓 Первый эфир уже завтра в 11:00 по мск.
Для тех, кто долго запрягает — двери еще приоткрыты. Если интересно, пишите в личку https://t.me/obulygin91 ◀️
Вы натренировали свою первую модель. Вывели метрики. Там R2 стремится к 0.99.
Что делает типичный новичок? Радуется, бежит к заказчику требовать премию и просит выкатывать это чудо в прод.
Что делает человек с опытом? Седеет, нервно пьет кофе и идет искать, где у него утечка данных.
В реальном мире идеальных метрик почти не бывает. Если ваша модель угадывает всё, значит она читерит. Модель должна работать на новых, невиданных ранее данных. А для этого нужно понимать логику валидации, а не просто по привычке копипастить train_test_split.
Вот такие вещи мы будем изучать в новом сезоне Мастер-группы по ML. В программе:
🟢 5 эфиров: от самых азов машинного обучения до построения и валидации базовых линейных моделей.
🟢 1 эфир — командная практика. Хватит просто смотреть лекции. Будете в командах решать практическую задачу, а потом мы все вместе будем разбирать результаты (и смотреть, кто где накосячил).
🟢 Записи и мои файлы с кодом, естественно, остаются у вас. Забираете и используете как шпаргалку в работе.
🗓 Первый эфир уже завтра в 11:00 по мск.
Для тех, кто долго запрягает — двери еще приоткрыты. Если интересно, пишите в личку https://t.me/obulygin91 ◀️
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
GPT-5.5 vs DeepSeek V4. Пока вы спали, мир в очередной раз перевернулся
Вчера OpenAI выкатили GPT-5.5, а сегодня китайцы из DeepSeek ответили своей V4.
Я прекрасно понимаю, что вы уже прочитали 150 одинаковых восторженных постов-переводов в других каналах про GPT-5.5, а может даже уже успели и про DeepSeek узнать. Все уже всё обсудили, полайкали бенчмарки и забыли.
Но давайте все же самое важное подсвечу.
https://openai.com/index/introducing-gpt-5-5/
Ключевая метрика здесь не MMLU (кого он волнует в 2026?), а Expert-SWE (73.1%). Это значит, что модель может 20 часов подряд копаться в твоем легаси, дебажить, переписывать тесты и в итоге выдать рабочий PR, а не кучу извинений. Она жрет меньше токенов на те же задачи, чем 5.4. OpenAI поняли, что бесконечно раздувать контекст без контроля — путь в никуда.
"Потеря доступа к GPT-5.5 ощущается как ампутация конечности" — цитата из релиза.
https://deepseek.ai/deepseek-v4: Китайский лом против американских санкций 🇨🇳
Пока Сэм Альтман заливает про AGI и продает дорогие Enterprise-подписки, китайцы вываливают в опенсорс модель на 1 Триллион параметров с контекстом в 1 миллион токенов.
За счет агрессивного MoE (Mixture-of-Experts) из этого триллиона при инференсе у Pro-версии активируется всего ~49B параметров, а у Flash-версии смешные 13B.
У них нет доступа к топовым чипам Nvidia, поэтому они вывозят на чистой математике. Архитектура Engram memory и Manifold-Constrained Hyper-Connections (mHC) позволяет им обучать и гонять эту махину на локальных железках вроде Huawei Ascend 950PR.
Как итог: API стоит копейки (от $0.03 до $0.30 за миллион токенов на вход). Это в десятки раз дешевле Claude 4.7 и GPT-5.4.
https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro
Ждем релиз от Сбера? 😁
Вчера OpenAI выкатили GPT-5.5, а сегодня китайцы из DeepSeek ответили своей V4.
Я прекрасно понимаю, что вы уже прочитали 150 одинаковых восторженных постов-переводов в других каналах про GPT-5.5, а может даже уже успели и про DeepSeek узнать. Все уже всё обсудили, полайкали бенчмарки и забыли.
Но давайте все же самое важное подсвечу.
https://openai.com/index/introducing-gpt-5-5/
Ключевая метрика здесь не MMLU (кого он волнует в 2026?), а Expert-SWE (73.1%). Это значит, что модель может 20 часов подряд копаться в твоем легаси, дебажить, переписывать тесты и в итоге выдать рабочий PR, а не кучу извинений. Она жрет меньше токенов на те же задачи, чем 5.4. OpenAI поняли, что бесконечно раздувать контекст без контроля — путь в никуда.
"Потеря доступа к GPT-5.5 ощущается как ампутация конечности" — цитата из релиза.
https://deepseek.ai/deepseek-v4: Китайский лом против американских санкций 🇨🇳
Пока Сэм Альтман заливает про AGI и продает дорогие Enterprise-подписки, китайцы вываливают в опенсорс модель на 1 Триллион параметров с контекстом в 1 миллион токенов.
За счет агрессивного MoE (Mixture-of-Experts) из этого триллиона при инференсе у Pro-версии активируется всего ~49B параметров, а у Flash-версии смешные 13B.
У них нет доступа к топовым чипам Nvidia, поэтому они вывозят на чистой математике. Архитектура Engram memory и Manifold-Constrained Hyper-Connections (mHC) позволяет им обучать и гонять эту махину на локальных железках вроде Huawei Ascend 950PR.
Как итог: API стоит копейки (от $0.03 до $0.30 за миллион токенов на вход). Это в десятки раз дешевле Claude 4.7 и GPT-5.4.
https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro
Ждем релиз от Сбера? 😁
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Цифровая некрофилия и корпоративный шпионаж: чем теперь кормят ИИ ☠️
Эпоха, когда нейросетки обучались на данных с GitHub или StackOverflow, давно закончилась. Илья Суцкевер ещё в 2024 говорил, что публичные данные исчерпаны.
Все новых сырых логов человеческих страданий надо больше и больше.
И вот как решают эту проблему.
1️⃣ Прямой трекинг собственных сотрудников
Цукерберг https://techcrunch.com/2026/04/21/meta-will-record-employees-keystrokes-and-use-it-to-train-its-ai-models/ под названием Model Capability Initiative (MCI). По факту — это легализованный троян, который компания ставит на рабочие компы своих сотрудников.
Софтина логирует движения мыши, каждое нажатие клавиш и делает скриншоты экранов. Зачем? Чтобы научить AI-агентов https://www.reuters.com/sustainability/boards-policy-regulation/meta-start-capturing-employee-mouse-movements-keystrokes-ai-training-data-2026-04-21/ (навигация по менюшкам, хоткеи, использование софта).
А параллельно увольняют 10% штата и переводит оставшихся инженеров в разряд «AI builders».
То есть ты сидишь, пишешь код, а в фоне шпионский софт записывает твою моторику, чтобы обучить цифрового клона, который завтра тебя же и заменит. Идеальный бизнес-процесс.
2️⃣ Распродажа цифровых трупов
Оказывается, если стартап сдох, его все еще можно выгодно пустить на органы. Появился https://www.forbes.com/sites/annatong/2026/04/16/ais-new-training-data-your-old-work-slacks-and-emails/, где сервисы, помогающие компаниям закрыться, заодно распродают их цифровой след.
Архивы переписок, цепочки писем, завалы тикетов, террабайты облачных данных — всё это улетает в ИИ-лаборатории за сотни тысяч долларов. Ваш локальный мем в рабочем чате или пятиэтажный мат в комментариях к пул-реквесту теперь — валидная обучающая выборка.
Сейчас огромные бюджеты (речь про миллиарды долларов от ребят вроде Anthropic) вливаются в RL Gyms — среды обучения с подкреплением, где агенты тренируются выживать в офисе. Нейронке мало знать синтаксис Python. Ей нужно скормить паттерны того, как кожаный мешок пытается выудить доступы у девопса, найти нужный документ и разобраться, почему упал прод, если никто ничего не трогал.
В общем, ваша ежедневная рутина теперь может быть сырьем для обучения ваших же автоматизаторов. И ждите, когда очередная GPT-6 расскажет всему миру, как вы в 2026 году крыли матом лида в личке.
Эпоха, когда нейросетки обучались на данных с GitHub или StackOverflow, давно закончилась. Илья Суцкевер ещё в 2024 говорил, что публичные данные исчерпаны.
Все новых сырых логов человеческих страданий надо больше и больше.
И вот как решают эту проблему.
1️⃣ Прямой трекинг собственных сотрудников
Цукерберг https://techcrunch.com/2026/04/21/meta-will-record-employees-keystrokes-and-use-it-to-train-its-ai-models/ под названием Model Capability Initiative (MCI). По факту — это легализованный троян, который компания ставит на рабочие компы своих сотрудников.
Софтина логирует движения мыши, каждое нажатие клавиш и делает скриншоты экранов. Зачем? Чтобы научить AI-агентов https://www.reuters.com/sustainability/boards-policy-regulation/meta-start-capturing-employee-mouse-movements-keystrokes-ai-training-data-2026-04-21/ (навигация по менюшкам, хоткеи, использование софта).
А параллельно увольняют 10% штата и переводит оставшихся инженеров в разряд «AI builders».
То есть ты сидишь, пишешь код, а в фоне шпионский софт записывает твою моторику, чтобы обучить цифрового клона, который завтра тебя же и заменит. Идеальный бизнес-процесс.
2️⃣ Распродажа цифровых трупов
Оказывается, если стартап сдох, его все еще можно выгодно пустить на органы. Появился https://www.forbes.com/sites/annatong/2026/04/16/ais-new-training-data-your-old-work-slacks-and-emails/, где сервисы, помогающие компаниям закрыться, заодно распродают их цифровой след.
Архивы переписок, цепочки писем, завалы тикетов, террабайты облачных данных — всё это улетает в ИИ-лаборатории за сотни тысяч долларов. Ваш локальный мем в рабочем чате или пятиэтажный мат в комментариях к пул-реквесту теперь — валидная обучающая выборка.
Сейчас огромные бюджеты (речь про миллиарды долларов от ребят вроде Anthropic) вливаются в RL Gyms — среды обучения с подкреплением, где агенты тренируются выживать в офисе. Нейронке мало знать синтаксис Python. Ей нужно скормить паттерны того, как кожаный мешок пытается выудить доступы у девопса, найти нужный документ и разобраться, почему упал прод, если никто ничего не трогал.
В общем, ваша ежедневная рутина теперь может быть сырьем для обучения ваших же автоматизаторов. И ждите, когда очередная GPT-6 расскажет всему миру, как вы в 2026 году крыли матом лида в личке.
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Эпоха дешёвых ИИ-агентов заканчивается? 💸
Уже давненько прекрасный https://z.ai/subscribe?ic=OJ5Y40P8ZS, про который я рассказывал в https://t.me/TScompiler_bot ощутимо подорожал. Кто-то еще держится, но многие подписочные планы поднимают цены / режут лимиты.
За последние пару дней произошли еще изменения в очень популярных инструментах:
1️⃣ GitHub https://github.blog/news-insights/company-news/changes-to-github-copilot-individual-plans/ с Copilot. Новые регистрации на Individual планы (Pro, Pro+, Student) тупо поставлены на паузу. Для действующих юзеров вводят жесткие недельные и сессионные лимиты на токены. А модели семейства Opus вообще выкинули из базового Pro-тарифа.
2️⃣ Anthropic без всяких официальных анонсов, https://x.com/TheGeorgePu/status/2046705634331025855 Claude Code из своего Pro-тарифа для части пользователей. Пока "в рамках теста", ага-ага. Хотите дальше кодить с агентом? Перекатывайтесь на тариф Max. Минимальный порог входа теперь — $100 в месяц. Рост ценника в 5 раз уже скоро может будет для всех.
Вот так прожорливые агентные воркфлоу убивают старую бизнес-модель. Одно дело — автокомплит на пару строк или простой промпт в чат. Совсем другое — когда вы просите агента поднять фичу, и он под капотом спавнит десяток параллельных субагентов, которые гоняют гигантский контекст туда-сюда, читают файлы и лупят в API.
GitHub прямым текстом жалуется: пара таких долгоиграющих параллельных сессий от одного юзера сжигает больше серверных мощностей, чем стоит вся его подписка.
Пока мы спорим о том, "заменит" ли ИИ программистов, внезапно может оказаться, что джуны будут дешевле, чем модельки. А модельки будут использовать только большие корпораты или толстосумы.
Можете себе представить, что обратно ручками код надо будет писать. ААААааааАаАААААААа 🤣 🤣 🤣
Уже давненько прекрасный https://z.ai/subscribe?ic=OJ5Y40P8ZS, про который я рассказывал в https://t.me/TScompiler_bot ощутимо подорожал. Кто-то еще держится, но многие подписочные планы поднимают цены / режут лимиты.
За последние пару дней произошли еще изменения в очень популярных инструментах:
1️⃣ GitHub https://github.blog/news-insights/company-news/changes-to-github-copilot-individual-plans/ с Copilot. Новые регистрации на Individual планы (Pro, Pro+, Student) тупо поставлены на паузу. Для действующих юзеров вводят жесткие недельные и сессионные лимиты на токены. А модели семейства Opus вообще выкинули из базового Pro-тарифа.
2️⃣ Anthropic без всяких официальных анонсов, https://x.com/TheGeorgePu/status/2046705634331025855 Claude Code из своего Pro-тарифа для части пользователей. Пока "в рамках теста", ага-ага. Хотите дальше кодить с агентом? Перекатывайтесь на тариф Max. Минимальный порог входа теперь — $100 в месяц. Рост ценника в 5 раз уже скоро может будет для всех.
Вот так прожорливые агентные воркфлоу убивают старую бизнес-модель. Одно дело — автокомплит на пару строк или простой промпт в чат. Совсем другое — когда вы просите агента поднять фичу, и он под капотом спавнит десяток параллельных субагентов, которые гоняют гигантский контекст туда-сюда, читают файлы и лупят в API.
GitHub прямым текстом жалуется: пара таких долгоиграющих параллельных сессий от одного юзера сжигает больше серверных мощностей, чем стоит вся его подписка.
Пока мы спорим о том, "заменит" ли ИИ программистов, внезапно может оказаться, что джуны будут дешевле, чем модельки. А модельки будут использовать только большие корпораты или толстосумы.
Можете себе представить, что обратно ручками код надо будет писать. ААААааааАаАААААААа 🤣 🤣 🤣
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
🔥 Размер не имеет значения: Qwen унизили свой же флагман
Alibaba выкатили https://qwen.ai/blog?id=qwen3.6-27b. И эта моделька уничтожает их предыдущего опенсорс-монстра Qwen3.5-397B-A17B по всем бенчмаркам агентского программирования. Модель, которая суммарно меньше в 15 раз, выбивает 77.2 на SWE-bench Verified (против 76.2 у 397B) и 59.3 на Terminal-Bench 2.0.
Что по фичам:
▫️ Под капотом осталась нативная мультимодальность (понимает картинки и видео)
▫️ Поддерживает как thinking, так и non-thinking режимы
▫️ Их API теперь поддерживает протокол Anthropic.
Последний пункт означает, что вы можете прямо сейчас прокинуть ANTHROPIC_BASE_URL на их эндпоинт и использовать Qwen3.6-27B под капотом утилиты Claude Code в терминале. Либо засунуть в OpenClaw / Qwen Code и получить полноценного coding-агента.
Веса лежат здесь: https://huggingface.co/Qwen/Qwen3.6-27B
Alibaba выкатили https://qwen.ai/blog?id=qwen3.6-27b. И эта моделька уничтожает их предыдущего опенсорс-монстра Qwen3.5-397B-A17B по всем бенчмаркам агентского программирования. Модель, которая суммарно меньше в 15 раз, выбивает 77.2 на SWE-bench Verified (против 76.2 у 397B) и 59.3 на Terminal-Bench 2.0.
Что по фичам:
▫️ Под капотом осталась нативная мультимодальность (понимает картинки и видео)
▫️ Поддерживает как thinking, так и non-thinking режимы
▫️ Их API теперь поддерживает протокол Anthropic.
Последний пункт означает, что вы можете прямо сейчас прокинуть ANTHROPIC_BASE_URL на их эндпоинт и использовать Qwen3.6-27B под капотом утилиты Claude Code в терминале. Либо засунуть в OpenClaw / Qwen Code и получить полноценного coding-агента.
Веса лежат здесь: https://huggingface.co/Qwen/Qwen3.6-27B
PythonTalk | Всё о Python
04 мая 2026 г., 08:32
Docker vs venv: битва за деплой ⚔️⚔️
Собрал в карточках суть противостояния, в котором часть проектов мучаются с невоспроизводимым окружением, а другие — тащат в продакшен двухгигобайтные образы для простого бота.
Листайте 👉
#два_стула
Собрал в карточках суть противостояния, в котором часть проектов мучаются с невоспроизводимым окружением, а другие — тащат в продакшен двухгигобайтные образы для простого бота.
Листайте 👉
#два_стула
Showing 12 of 12 posts
Рейтинг
Требуется вход
Пока нет отзывов. Будьте первым, кто поделится своим опытом!
Frequently Asked Questions
О чём Telegram-канал PythonTalk | Всё о Python?+
PythonTalk | Всё о Python (@pythontalk_ru) — Telegram-канал в категории Кодинг и программирование на tgdio. На профиле есть рейтинг, отзывы, ранг и свежие посты — решите до подписки в Telegram. Сейчас на tgdio указано около 22 подписчиков.
Как вступить в PythonTalk | Всё о Python (@pythontalk_ru) в Telegram?+
Откройте профиль канала на tgdio, нажмите Join / Open in Telegram и подпишитесь на @pythontalk_ru в приложении или веб-версии Telegram бесплатно.
Стоит ли подписываться на PythonTalk | Всё о Python (Кодинг и программирование)?+
На tgdio можно проверить рейтинг, отзывы, ранг и свежие посты PythonTalk | Всё о Python до подписки. Сейчас на tgdio указано около 22 подписчиков. Сравните с похожими каналами Кодинг и программирование.
Где смотреть статистику и посты PythonTalk | Всё о Python?+
На tgdio откройте страницу @pythontalk_ru: статистика подписчиков, ранг, рейтинг и посты. Ссылка Stats даёт графики роста и активности.
