Python

🧠 Python-библиотеки для AI-агентов - сложность изучения 🔥 🟢 Легко • LangChain • вызов инструментов (tool calling) • память агента • простые агенты • CrewAI • агенты с ролями • коллаборация нескольких агентов • SmolAgents • лёгкие агенты • быстрые эксперименты 🟡 Средне • LangGraph • stateful-воркфлоу • оркестрация агентов • LlamaIndex • RAG-пайплайны • индексирование данных • knowledge-агенты • OpenAI Agents SDK • интеграции инструментов • агентные workflow • Strands • оркестрация агентов • координация задач • Semantic Kernel • skills / плагины • оркестрация AI-процессов • PydanticAI • типизированные LLM-приложения • структурированные workflow агентов • Langroid • обмен сообщениями между агентами • взаимодействие с инструментами 🔴 Сложно • AutoGen • мультиагентные диалоги • автономная кооперация агентов • DSPy • программируемый prompting • оптимизация LLM-пайплайнов • A2A • протокол agent-to-agent • распределённые агентные системы

🌟 Tencent HY-WU: динамические LoRA для редактирования изображений. Tencent HY опубликовала первую часть серии работ под названием HY-WU (Weight Unleashing). Суть метода в отказе от стандартной парадигмы адаптации, при которой модель получает один фиксированный набор весов для всех задач. Специальная модель-генератор синтезирует LoRA отдельно под каждый входной пример прямо во время инференса, без дополнительной оптимизации на тест-тайме. Проблема, которую решает HY-WU, хорошо знакома всем, кто работал с дообучением: когда задачи противоречат друг другу (например, "размыть" против "убрать размытие" или "состарить лицо" против "восстановить"), общий адаптер вынужден идти на компромисс. Градиенты конфликтуют, и результат оказывается хуже, чем если бы задачи обучались раздельно.

Чтобы не быть голословными, авторы измерили это напрямую: косинусное сходство градиентов между разнородными задачами устойчиво отрицательно, среднее около −0.30, то есть задачи буквально тянут веса в противоположные стороны.

HY-WU предлагает условную генерацию параметров. Модель-генератор (8B параметров) принимает на вход совместное представление изображения и текстового запроса через энкодер SigLIP2, после чего генерирует LoRA-матрицы (~0.72B) и инжектирует их в базовую модель. Обучение сквозное, только через downstream-loss, без предварительно собранных чекпойнтов адаптеров. 🟡Тесты и результаты Для тестов выбрали задачу редактирования изображения текстовым запросом - в нем конфликты неизбежны и визуально очевидны. 🟢В попарном human evaluation (GSB) HY-WU выигрывает у всех топовых open-source редакторов с большим отрывом: 67–78% против Step1X, Qwen, LongCat и FLUX; 🟢Среди закрытых систем модель обошла Seedream 4.5 (55.6%) и GPT Image 1.5 (55.5%). 🟠Единственные, кто пока впереди - Nano Banana 2 и Nano Banana Pro.

Tencent проверили: прирост качества дается именно условной маршрутизацией, а не просто увеличением числа параметров. Когда генератор использовали с перемешанными или усредненными условиями, результат проваливался до уровня базовой модели. Полный SFT с намного большим числом обучаемых параметров давал сопоставимый результат с обычным Shared LoRA, так как в обоих случаях в инференсе применяется одна фиксированная точка в пространстве весов.

Выпущенная работа - первая часть серии исследований по функциональной памяти для генеративных моделей. В планах: 🟢сравнить функциональную память с retrieval-подходами и понять, когда каждый из них уместен; 🟢разработать протоколы онлайн-обучения, при которых модель усваивает новые задачи без деградации на старых; 🟢исследовать масштабирование модели-генератора отдельно от базовой модели. Помимо этого, в планах выйти за пределы LoRA на другие операторные интерфейсы, распространить метод на видео и агентные системы, а также проработать возможность точечно удалять поведение модели через управление состоянием генератора. Кроме этого архиполезного исследования Tencent выложили связку из модели-генератора и базовой модели HY-Image-3.0-Instruct, поверх которой она и работает. Поиграться этой красотой можно, если под рукой простаивает 8х40 GB или 4х80 GB VRAM. 📌Лицензирование: Tencent Hunyuan Community License. 🟡Страница проекта 🟡Prompt Handbook (китайский) 🟡Модель 🟡Техотчет 🖥Github @ai_machinelearning_big_data #AI #ML #ImageEdit #HYWU #Tencent

Новая модель GPT-5.4 от OpenAI поднялась на 6 пунктов и разделила 1-е место в Intelligence Index вместе с Gemini 3.1 Pro Preview от Google. Модель показывает очень сильные результаты в задачах уровня научных исследований, особенно в физике и агентном программировании, устанавливая новые рекорды по нескольким бенчмаркам. Также у неё огромное контекстное окно — 1.05 млн токенов. Но есть и минус. Модель очень дорогая: • запуск бенчмарков обошёлся почти в 3 раза дороже, чем у Gemini • уровень галлюцинаций вырос до 89%, потому что модель слишком стремится отвечать на вопросы, даже когда не уверена. • 🐍 Python полезные ресурсы 🚀Max

«Кодинг уже solved problem» — говорят люди, которые смотрят на страницу статуса Claude перед каждым деплоем.

🧠 Claude-Mem: Умная система памяти для Claude Code Claude-Mem обеспечивает сохранение контекста между сессиями, автоматически фиксируя использование инструментов и создавая семантические резюме. Это позволяет Claude поддерживать непрерывность знаний о проектах даже после завершения сессий. 🚀 Основные моменты: - Автоматическое сохранение контекста между сессиями - Генерация семантических резюме - Поддержка Claude Code - Легкая установка через плагины 📌 GitHub: https://github.com/thedotmack/claude-mem #javascript

💸 AI, который должен зарабатывать… или обанкротится Исследователи представили ClawWork - систему, где модель работает в условиях реальной экономики. Стартовые условия: - баланс: $10 - каждая генерация = реальные расходы на токены - никакого безлимита - не заработал - банкрот Как это работает: → AI получает реальные профессиональные задачи (финансы, медицина, юриспруденция, аналитика) → Сам создаёт полноценные результаты с нуля → Качество оценивается GPT-5.2 по профессиональным критериям → Оплата рассчитывается по формуле: качество × оценка часов × средняя зарплата (BLS) → Каждый API-запрос уменьшает баланс Результаты: - $10K заработано за 7 часов - 0 участия человека - 220 задач - 44 профессии - лучшие модели - $1500+ в час (эквивалент) Это уже не просто бенчмарк. Это экономический тест на выживание. Модель должна принимать решения: - быстро выполнять задачи ради кэша - или тратить ресурсы на обучение, чтобы зарабатывать больше позже Дополнительно: AI может работать как живой сотрудник в Telegram, Slack, Discord и WhatsApp — и каждое сообщение стоит реальных денег. Проект полностью open-source (MIT). Следующий этап оценки AI - не тесты и бенчмарки. А способность приносить деньги в реальной экономике. https://github.com/HKUDS/ClawWork 📲Max @pythonl