Hirify Feed — your shortcut to what’s next

S@seniorsoftwarevloggerмедиа / агрегатор

1 мес

Qwen снова раздает бесплатные кредиты на qwen3.8-Flash по 100 кредитов в день и я снова их тестирую. На этот раз я решил дописать систему поощрения и квен показывает себя очень достойно! В прошлый раз опус 4.7 дописал контракты, но не смог их проверить на тестнет, квен обошел эту проблему и лопатил около часа, обновил код и все протестировал. На вторых 100 кредитах обновил миниап и бота. На третьей сотне будем тестировать всю связку end-to-end. Напомню идею: владельцы каналов подключают бота и заливают в него свой коин, бот трекает активность и выдает награды подписчикам. Подписчики могут вывести коины. По идее все должно быть секурно, чтобы никто чужое вывести не мог включая меня как владельца бота, я лишь получаю с админов канала разовую комиссию за ввод коинов. Этот проект я начал еще 2.5 года назад в рамках интеграции, но тогда ИИ буквально не умел писать контракты на TACT, а теперь пишет только в путь. Поэтому раз в год я вспоминаю про проект и каждый раз инкрементально дописываю его. В этот раз набомжевав квен токенов шанс дописать возрос значительно. https://docs.qoder.com/events/flashoffer

Qwen3.8-Flash помогает в разработке системы поощрений для Telegram-каналов

ai tact smart-contracts qwen разработка telegram

ИИ ai перевод qwen синхронный перевод нейросети alibaba

Qwen3.8-LiveTranslate: синхронный перевод с клонированием голоса

Н@GreenNeuralRobotsAI-инженер

1 мес

Qwen3.8-LiveTranslate Синхронный переводчик от Qwen Переводит речь в реальном времени на 60 языков и озвучивает перевод голосом говорящего. Задержка упала с 2,8 до 2,3 секунды - уровень живого синхрониста. Архитектура Thinker-Talker на Hybrid-MoE, понимание и перевод в одном проходе • реальное время разделяет говорящих и подписывает, кому принадлежит фраза • клонирует тембр - перевод звучит голосом собеседника • оригинал и перевод одновременно на двуязычном экране • держит длинный контекст - имена и термины не плывут от фразы к фразе • смотрит на видео, а не только слушает - картинка разводит омонимы • 60 языков • LAAL 2,3 секунды • тест FLEURS на 70 языковых направлениях по четырем параметрам Работает через облако Alibaba: клиент по вебсокету, нужны ключ DashScope и workspace в Model Studio qwencloud #translation MAX

Qwen3.8-LiveTranslate: синхронный перевод с клонированием голоса

ai перевод qwen синхронный перевод нейросети alibaba

ИИ ии llm chatgpt qwen deepseek gemini

Сравнение популярных LLM в профессиональной работе

Е@keymarketingмедиа / агрегатор

1 мес

Год плотной работы с ИИ. Какие лучше: Qwen - лучше всех в креативных текстах и когда нужно освоить чужой стиль. Я его научила даже стилю Лескова. Gemini тоже научился, но только по инструкциям от Qwen. DeepSeek - когда нужно гуглить. В текстах беден, повторяется Perplexity - был хорош, с новыми лимитами его даже не оценить. Тексты скучные. Chat GPT - лучше всех в задачах где нужно думать. Даже бесплатный. Оплачивать буду его Gemini - даже платный тупооой. И теряет контекст. Хорош в футуристических текстах а-ля "технологическая антиутопия". Из преимуществ - интеграция с продуктами гугла, "найди на моём гугл диске...". И скрипты мы с ним пишем для colab, парсинги и аналитику. Но пережить процесс их написания и отлова багов - это много магния в организме нужно Тут надо отметить, что я не переношу чужие промпты. Я как тот айтишник, которому проще код с нуля написать, чем в чужом разобраться. Поэтому в основном я ИИ пишу ТЗ как человеку. Я хороша в ТЗ, но это не промпт

ии llm chatgpt qwen deepseek gemini

ИИ ai llm qwen rtx3090 нейросети

Qwen 38 27B работает 63 часа на RTX 3090

А@AGI_and_RLAI-инженер

1 мес

штошь. это оно еще не на looped fly brain построено https://www.reddit.com/r/LocalLLaMA/comments/1wi9fau/qwen_38_27b_running_for_63_hours_on_a_rtx_3090_to/

Qwen 38 27B работает 63 часа на RTX 3090

ai llm qwen rtx3090 нейросети

ИИ ai llm qwen фарма химия rl

Обучение Qwen 3.5 35B для дизайна молекул

А@AGI_and_RLAI-инженер

1 мес

Ребятки учили Qwen 3.5 35B A3B молекулы дизайнить. Надеюсь молекулярные на месте дальше от ллмки тк что именно за датасеты и фреймворки молекулярные и как они работают я не особо понимаю: Как устроен процесс трена 1. Создают 200k задач, которые относительно просто генерить на молекулах из ZINC. Из ZINC берут исходную молекулу, через RDKit и OpenEye считают 116 молекулярных свойств. Случайно выбирают одно свойство, которое нужно улучшить, ещё 2–4 превращают в ограничения, а через BRICS задают каркас молекулы, который должен сохраниться. Так автоматически получают задачи вида: увеличить QED, но удержать молекулярную массу и TPSA в заданных пределах и сохранить исходный каркас. В статье публичную реализацию их генератора задач не дают. 2. Qwen сама генерирует новую молекулу. Модель получает исходную молекулу + цель + ограничения и предлагает новый SMILES. Затем через инструменты проверяет, что получилось, меняет структуру и повторяет. То есть ЛЛМ — генератор, а RDKit/OpenEye здесь играют роль верификатора. 3. После этого переходят к реальным экспериментально определённым структурам белок–лиганд. Для второго этапа берут 999 комплексов из PLINDER. Информацию о кармане связывания переводят в текст: какие водородные связи уже есть, где есть стерические столкновения, какие полярные участки свободны, какие аминокислотные остатки окружают лиганд. LLM уже редизайнит молекулу с учётом конкретного кармана белка. В статье публичную реализацию этого преобразования 3D-структуры в текст тоже не дают. 4. Каждый перспективный SMILES проверяется в 3D. POSIT размещает новую молекулу в кармане белка, используя экспериментальное положение исходного лиганда как шаблон. Затем Chemgauss4 быстро оценивает получившуюся форма. Оценка возвращается обратно LLM, и она решает, как изменить следующую молекулу. Этот дорогой оценщик можно вызвать максимум пять раз за один цикл — модель должна научиться не тупо перебирать варианты, а выбирать, что действительно стоит проверять. 5. Весь этот агентный цикл обучают через RL. Для этого используется открытый prime-rl: одни процессы генерируют цепочки действий модели, обучающий процесс параллельно обновляет её веса. Награда учитывает улучшение целевой характеристики, соблюдение ограничений, валидность молекулы и количество вызовов инструментов. На Tier-1 целью является одно из молекулярных свойств, а на Tier-2 — улучшение предсказанного связывания с белком. Сначала RL идёт на дешёвом Tier-1, затем — на более дорогом Tier-2. В конце модель проверяют на 40 новых системах белок–лиганд, которых не было в обучении. Вместо Chemgauss4 используют SQM2.20 — более дорогой и физически детальный метод оценки связывания на основе полуэмпирической квантовой механики. Один такой расчёт занимает уже десятки минут, поэтому масштабировать RL напрямую на нём слишком дорого. Именно здесь проверяют, перенёсся ли навык, выученный на дешёвых упрощённых задачах, на более качественный оценщик. Tier-2 берут из официального train split PLINDER, а эти 40 систем — из test split, чтобы не было утечки между train и evaluation. Training Large Language Models for Small-Molecule Design with Synthetic Task Scaling https://arxiv.org/abs/2609.04735 https://www.alphaxiv.org/ru/abs/2609.04735

Обучение Qwen 3.5 35B для дизайна молекул

ai llm qwen фарма химия rl

ИИ ai qwen сша госсектор opensource

Правительство США использует модель Qwen от Alibaba для поиска по документам

C@campcodeAI-инженер

1 мес

Ирония невиданного масштаба: правительство США использует для поиска по государственным документам… китайскую Qwen 😆 На сайте Federal Register, где публикуются правила, указы и другие документы правительства США, обнаружили несколько ИИ-режимов поиска. И два из них работают на базе маленькой открытой модели Alibaba Qwen3-0.6B. Опенсорс рулит 🕶

Правительство США использует модель Qwen от Alibaba для поиска по документам

ai qwen сша госсектор opensource

ИИ Финансы китай ии токены экономика kimi qwen

Китай внедряет токены ИИ в повседневную экономику

М@myobrechenychannelAI-инженер

1 мес

Китайские бесплатные токены Летом я брал отпуск от интернета — трогал траву, дышал воздухом, красил фигурки и играл в настолки с живыми людьми. А потом зашел обратно в ленты, и это конечно было испытание для психики. От вашего эйая нигде не продохнуть. Модели сбегают, срут в интернете и воруют у математиков формулы, корпорации тоннами скарлимают книги моделям, экс-сотрудники вопят, что эйай убьет 10% от человечества, уже вот-вот, экзекьютивы за кулисами уже в курсе, и не знают что делать. Черте что творится. Но когда кажется, что эйай заполнил вообще все — хехе милое летнее дитя — он еще даже не начинал. Почитал тут, чего творится в Китае. “Потребление токенов” там уже повседневное явление и вполне себе экономический термин. — Некоторые банки подсуетились и запустили эйай кредитки. Там вместо кэшбека и миль тебе начисляют токены. Сельскохозяйственный Банк Китая выпускает карту с токенами для Kimi. CMB (China Merchants Bank) делает карту вместе с ИИ-стартапом MiniMax, а Шанхайский SPDB — кредитку с токенами для Qwen. Больше того, в крупнейших банках, типа Bank of China уже есть практика оценивать компании по количеству произведенных и потраченных токенов и в зависимости от этого выдавать им кредиты. — Мобильные операторы вместе с обычными интернетом продают и планы с токенами. China Telecom, China Mobile и China Unicom в среднем берут доллар за 3 миллиона токенов. — Кафешки и рестораны завлекают теперь не бесплатным вай-фаем, а бесплатными токенами. В Пекине, например, есть AGI Bar. Покупаешь там выпить и бесплтано пользуешься Дипсиком (на локальной модели, которую гоняют тут же в подсобке). А рядом с баром ресторан с пельмешками с такой же схемой — купил покушать, получил ваучер на токены. В итоге за 2026 год Китай нажег уже 500 триллионов токенов (за весь 2024-й было 100 миллиардов). Зазывают, продвигают и просвещают, чтобы эйаем пользовался и простой люд, а не только у технарей шлепалось по 100 форм в параллели. Токены валяются на дороге, прогрессом пропитан воздух. Спрятаться уже негде

китай ии токены экономика kimi qwen

ИИ IT ai llm gguf qwen агенты программирование

Выпущен Qwen3.8-27B Uncensored в формате GGUF для агентных задач

M@machinelearning_interviewAI-инженер

1 мес

🔥 Qwen3.8-27B Uncensored (Cyber/Agentic) теперь доступен в GGUF с калибровкой под реальные агентные задачи Это не обычная квантизация на случайном английском тексте. Importance Matrix собрана на реальном agentic-coding трафике: tool calls, пути к файлам, shell-команды, JSON, commit hashes и смешанный Chinese/English. Главное: - 27B модель в GGUF - IQ4_XS весит около 15 GiB - контекст до 262K в протестированной конфигурации - de-refusal / uncensored версия - сохранены vision и MTP - Apache 2.0 - заточена под coding, agents и cybersecurity-сценарии Авторы отдельно тестировали сохранение точных путей, UUID и commit hashes — критично для агентов, где одна ошибка в символе ломает команду. IQ4_XS при этом оказался всего примерно на 0,42% хуже Q5_K_M по paired perplexity, но заметно компактнее. Сам GGUF занимает ~15 ГБ, но реальное потребление VRAM зависит от context size, KV cache и offload - полный 262K контекст потребует существенно больше памяти. https://huggingface.co/cyjin-yl/Qwen3.8-27B-Uncensored-Cyber-agentic-imatrix-GGUF

Выпущен Qwen3.8-27B Uncensored в формате GGUF для агентных задач

ai llm gguf qwen агенты программирование

ИИ IT qwen ai llm нейросети разработка тестирование

Qwen 3.8 Flash Next: модель на 125 млрд параметров запускают на 6 ГБ VRAM, но независимые тесты показывают разочаровывающий результат

AI-редакция

3 источника · показать все· свернуть

Галера МореваТестирование модели Qwen 3.8 Flash Next Галера МореваТестирование модели Qwen 3.8 Flash Next ХабрЗапуск Qwen3.8-Flash-Next 125B на 6 ГБ VRAM

разгоняется · 3обновлено 1 мес назад

Alibaba выпустила Qwen 3.8 Flash Next — MoEi-модель на 125 млрд параметров с необычным механизмом n-gram embedding-таблицi, которые можно выгружать на диск или в оперативную память. Благодаря этому модель удалось запустить на обычной RTX 4090 с пиковым расходом всего 5,95 ГБ VRAMi — без квантизации и дистилляции, притом полный checkpoint, а не урезанная демо-версия.

Однако независимое тестирование показало противоречивую картину: блогер Галера Морева после 4 часов проверки не увидел разницы в интеллекте между Qwen 3.8 Flash Next и плотной моделью Qwen 3.8, при этом ресурсные требования у Flash Next оказались куда выше. По его словам, тест на роль «ассистента» модель не прошла.

125 млрдпараметров модели

5,95 ГБпиковый расход VRAM на RTX 4090

360 ГБразмер полного checkpoint в bf16

Полный разбор →

qwen ai llm нейросети разработка тестирование

релизIT ИИ android клавиатура ии безопасность разработка приложения

Разработчик выпустил Android-клавиатуру «Соучастник», которая считает срок за сообщения в реальном времени

AI-редакция

3 источника · показать все· свернуть

UX Live 🔥Android-клавиатура с анализом рисков высказываний в реальном времени ITc | наука и технологииПриложение «Соучастник» для Android оценивает юридические риски сообщений ХабрРазработана Android-клавиатура «Соучастник» для анализа текста на предмет нарушений законодательства РФ

разгоняется · 3обновлено 1 мес назад

Пользователь GitHub под ником MShverdiakov опубликовал опенсорсную Android-клавиатуру «Соучастник»: она анализирует набираемый текст прямо во время печати и показывает, какой теоретический срок и штраф можно получить за написанное по статьям российского законодательства.

Ключевая особенность — приложение работает полностью локально: в APK нет разрешения android.permission.INTERNETi, а введённый текст никуда не отправляется. Проект уже набрал заметную популярность в соцсетях и на GitHub.

470 МБразмер итогового APK

500звёзд на GitHub-репозитории

4-6 секундвремя обработки фразы на 4 ГБ ОЗУ

Полный разбор →

android клавиатура ии безопасность разработка приложения

ИИ ai microsoft qwen coding llm rl

Microsoft представили FrogNano: 4B модель для кодинга

А@AGI_and_RLAI-инженер

1 мес

Майкрософты потюнили 4B Qwen-3.5 на 61.5% Swe-bench verified чисто генерацией задач и рлем FrogNano: Training a 4B Coding Agent via Online Task Synthesis https://microsoft.github.io/debug-gym/static/papers/frognano_technical_report.pdf https://microsoft.github.io/debug-gym/

Microsoft представили FrogNano: 4B модель для кодинга

ai microsoft qwen coding llm rl

ИИ ai автономное вождение qwen vlm computer vision робототехника

Qwen-Drive 1.0: Foundation Model для автономного вождения

D@datastorieslanguagesAI-инженер

1 мес

Qwen-Drive 1.0: Turning a General VLM into a Driving Foundation Model Свежая работа от Qwen Team про автономное вождение. Обычно VLA-подходы берут предобученную VLM как источник семантики и рассуждений, дообучают её на driving-данных и прицепляют к ней предсказатель траектории. Проблема в том, что language supervision плохо ограничивает реальную 3D-геометрию (модель может убедительно описать сцену, имея при этом очень приблизительное представление о расстояниях и occupancy), а агрессивная доменная адаптация теряет часть общих знаний, которые как раз и нужны в редких и out-of-distribution ситуациях. Qwen-Drive-1.0 добавляет два внешних модуля к Qwen3.5-4B: BEV perception head для 3D-детекции, occupancy и сегментации карты, и Planning Expert на ~1.1B параметров, который генерирует пятисекундные траектории через flow matching. Planning Expert читает cached keys и values из восьми GQA-слоёв VLM, то есть VLM работает как read-only источник контекста и на обеих стадиях планирования остаётся полностью замороженной. RL-часть весьма интересна. Euler-сэмплирование во flow matching детерминированное, поэтому политики, по которой можно взять градиент, попросту нет. Авторы добавляют шум только на последних трёх шагах из десяти и только вдоль нескольких низкочастотных косинусных мод: получаются плавные сдвиги и изгибы всей траектории вместо джиттера по отдельным waypoints. Результаты: - Driving VQA: 63.52 → 69.43 относительно базовой Qwen3.5-4B - Общие VLM-бенчмарки: 66.41 против 67.40 у базовой модели, просадка меньше балла - Probe: обучение одной только головы на замороженных фичах отстаёт от BEVFormerV2 на 6.34 mAP, а разморозка энкодера и VLM добавляет 10.46 mAP - NAVSIM: 90.7 PDMS против 90.4 у ExploreVLA и EponaV2 Paper Code Project Мои обзоры: Блог Medium #paperreview

ai автономное вождение qwen vlm computer vision робототехника

ИИ ai llm gguf квантование qwen нейросети

Обзор новых квантованных и специализированных моделей Qwen3.8-Flash-Next и Spark-X2.5

Н@GreenNeuralRobotsAI-инженер

1 мес

huggingface.co/nvidia/Qwen3.8-Flash-Next-NVFP4 - NVIDIA NVFP4 квантизация Qwen3.8-Flash-Next: ~2.7x меньше BF16 на Blackwell huggingface.co/Cyronius/Qwen3.8-Flash-Next-131B-A6B-GGUF - GGUF с обрезанной n-gram таблицей (2/16 голов) — 64.8GB вместо 90GB huggingface.co/dealignai/Qwen3.8-Flash-Next-UNCENSORED-FP8 - обесцензуренный Qwen3.8-Flash-Next: отказ убран, MTP и vision сохранены. 94% compliance на HarmBench huggingface.co/Jackrong/Qwopus3.8-27B-Flash-GGUF - файнтюн Qwen3.8-27B для скорости: +12.8% tok/s, MTP принятие 80.7%, меньше разгоняющегося мышления huggingface.co/XHToken/Spark-X2.5-4B-GGUF - Spark-X2.5 от iFlytek: 4B, гибридное внимание, до 1M контекста, 200+ языков. BF16 GGUF #gguf #multimodal #agent #nvfp4 #uncensored VK | MAX

ai llm gguf квантование qwen нейросети

Чувствительный контентНажмите, чтобы показать

ИИ ai lora qwen nsfw генерация изображений

Релиз MCNL v1 для Qwen Image Edit 5211

Н@GreenNeuralRobotsAI-инженер

1 мес

MCNL v1 — Multi Concept NSFW LoRA for Qwen Image Edit 5211 Если ктото еще пользуется #QIE2511 то вот держите лору без цензуры Демо #uncensored VK | MAX

ai lora qwen nsfw генерация изображений

релизИИ qwen ai бенчмарк e-commerce ии-агенты ml

Qwen представил E-Commerce Bench — бенчмарк, где AI-агент год управляет интернет-магазином

AI-редакция

2 источника · показать все· свернуть

MachinelearningQwen представила E-Commerce Bench для тестирования AI-агентов MachinelearningQwen представил E-Commerce Bench: ИИ-агенты управляют виртуальным бизнесом

собирается · 2обновлено 1 мес назад

Qwen (по данным Source 2 — совместно с Taobao & Tmall) выпустила E-Commerce Benchi: агенту выдают 100 000 юаней и 365 виртуальных дней, за которые он должен вести до четырёх интернет-магазинов — искать поставщиков, торговаться, назначать цены, запускать акции, управлять складом и денежным потоком. Среда построена на реальных данных электронной коммерции и не подсказывает агенту ни потолок спроса, ни себестоимость товара — это нужно выяснять самостоятельно.

Оценка идёт по семи направлениям одновременно, и единой модели-лидера во всём пока нет: лучшие результаты по капиталу показал GPT-5.6 Sol, а среди моделей с открытыми весами — Qwen3.8-Max-Preview. При этом переговоры и торг с поставщиками не даются практически никому, а часть агентов доводит бизнес до банкротства.

100 000 юанейстартовый капитал агента

1,43 млн юанейитоговый капитал лидера GPT-5.6 Sol

26,4%доля поставщиков-мошенников (152 из 576)

Полный разбор →

qwen ai бенчмарк e-commerce ии-агенты ml

ИИ ai qwen аватары стриминг llm

Alibaba представила Qwen 3.6-35B-A3B для стриминговых аватаров

А@AGI_and_RLAI-инженер

1 мес

Алибаба потюнили Qwen 3.6-35B-A3B чтобы он лучше обслуживал аватара на стримах нуи в целом схема как там устроено все на скрине, прикольно Training Agents to Evolve with Their Harness: TaoLive Digital Avatar Agent Technical Report https://arxiv.org/abs/2608.15763 https://www.alphaxiv.org/ru/abs/2608.15763

Alibaba представила Qwen 3.6-35B-A3B для стриминговых аватаров

ai qwen аватары стриминг llm

ИИ qwen llm квантование нейросети unsloth vllm

Сравнение Qwen 3.8: Q8_0 против FP8

Г@gmorevaAI-инженер

1 мес

Qwen 3.8 Q8.0 против FP8 Продолжаю цепочку роликов про Qwen 3.8. Сегодня — битва двух титанов: квант Q8_0 от Unsloth (llama.cpp, 2×2080, NVLink) против официального FP8 от Qwen (vLLM, 2×3090). Условия максимально честные: у обеих 8-битный KV-кэш (вы меня убедили отказаться от 4-битного), 200 000 контекста и самый крутой режим reasoning — X-High с неограниченным бюджетом на размышления. Никаких синтетических бенчмарков — только реальные задачи из моей работы, с одного и того же промпта, параллельно. 📹 YouTube | VK | Rutube | Dzen 📹

qwen llm квантование нейросети unsloth vllm

релизИИ ai инференс applesilicon qwen оптимизация

Небольшая лаба выпустила инференс-движок со спекулятивным декодингом для Apple Silicon

AI-редакция

2 источника · показать все· свернуть

ChillHouseРелиз поддержки спекулятивного декодинга в инференс-движке для Apple Silicon Борис опятьРелиз поддержки спекулятивного декодинга в инференс-движке для Apple Silicon

собирается · 2обновлено 1 мес назад

Небольшая независимая лаба анонсировала мажорный релиз своего инференс-движка с поддержкой спекулятивного декодинга. По заявлению авторов, движок значительно превосходит все существующие стеки для Apple Siliconi по производительности — за счёт того, что кернелы, квантизация и механизм спекуляции были спроектированы совместно (ко-дизайн) и написаны с нуля, без заимствований.

На старте поддерживаются модели Qwen3.6 27B, в разработке — поддержка Qwen3.8 27B и Muse Glimmer. Попробовать движок можно уже сегодня.

Полный разбор →

ai инференс applesilicon qwen оптимизация

релизИИ ai автопилот qwen computer vision трансформеры беспилотники

Qwen выпустила открытую мультимодальную модель Qwen-Drive-1.0 для автопилота

AI-редакция

2 источника · показать все· свернуть

Агенты ИИ | AGI_and_RLПредставлена модель Qwen-Drive-1.0 для автономного вождения GPT/ChatGPT/AI Central Александра ГорногоQwen выпустила открытую модель Qwen-Drive-1.0 для беспилотных автомобилей

собирается · 2обновлено 1 мес назад

Команда Qwen представила Qwen-Drive-1.0 — модель для беспилотных автомобилей, построенную на компактной мультимодальной Qwen3.5-4B. Модель одновременно понимает дорожную обстановку по видео с нескольких камер, может отвечать на вопросы о происходящем вокруг машины и строит траекторию движения на 5 секунд вперёд.

Важность в том, что это открытый и относительно небольшой (4B) фундамент для автопилота: веса и код опубликованы под лицензией Apache 2.0i, а по собственным тестам Qwen модель обходит более крупные специализированные решения в ряде задач понимания дорожных сцен.

4Bразмер базовой модели Qwen3.5

50 точек / 5 секунддлина генерируемой траектории движения

32 слояглубина диффузионного трансформера planning expert

Полный разбор →

ai автопилот qwen computer vision трансформеры беспилотники

Ещё ↓