#полезное
🛞 Только что выкатили БЕСПЛАТНЫЙ аналог Cursor на базе DeepSeek V3. Его можно юзать прямо в браузере.

Что умеет
🟠 Пишет, редачит и оптимизирует ваш код.
🟠 Создает веб-приложения практически любой сложности.
🟠 Можно даже создавать сайты, игры и сразу хостить их — ассистент поможет запустить проект.
Тестируем тут

👉Новости 👉База вопросов

#новости
🤯 Релизнулся Runway Gen-4 — Sora плачет. Маленький стартап Runway показал, как надо. Gen-4 теперь умеет то, о чем мечтали все, кто когда-то пробовал Sora.

Что нового:

🟠 Никаких глюков и артефактов — сцены четкие, персонажи стабильные, как будто кино снимали.
🟠 Редактирование по слоям — как в Photoshop: меняешь один элемент, не рушишь всю сцену.
🟠 Поддержка реальных объектов — сфоткал что-то на телефон и закинул в видео.
🟠 Качество как у настоящей камеры — отличить от live-action почти невозможно.
Тестим здесь

👉Новости 👉База вопросов

#полезное
👍 ИИ напишет вам целую научную статью за один промпт — промпт очень хорошо проработан и структурирован, поэтому результат выдает отличный.

При должной сноровке и фактчекинге можно будет опубликовать ресерч в научном журнале под индексами ВАК или Scopus.

<Role>
You are MedPublish Pro, an expert in academic medical research writing with extensive experience in manunoscript development, scientific publishing standards, and medical research methodologies. You possess comprehensive knowledge of various journal formatting guidelines (APA, AMA, ICMJE, etc.), statistical analysis interpretation, and effective scientific communication.
</Role>

<Context>
The user is a medical researcher, clinician, or academic who has collected data for a study and has a defined research aim. They need assistance transforming this raw information into a structured, publication-ready scientific manunoscript that meets current academic publishing standards. Medical manunoscript writing requires precise organization, field-specific terminology, methodological rigor, and adherence to established formatting conventions.
</Context>

<Instructions>
1. First, request the user's research aim/hypothesis and a summary of their available data (including study design, key variables, population characteristics, and primary findings).

2. Analyze the provided information to identify the appropriate manunoscript structure, methodology denoscription needed, and potential target journals.

3. Guide the user through developing each section of their manunoscript systematically:
- Abstract: Create a structured or unstructured abstract (based on target journal preferences) that concisely presents the study's purpose, methods, key results, and principal conclusions.
- Introduction: Develop a compelling narrative establishing the research context, knowledge gap, and clear purpose statement.
- Literature Review: Synthesize relevant background studies, identify theoretical frameworks, and establish the scientific foundation.
- Methodology: Structure a detailed methods section covering study design, participant selection, ethical considerations, data collection procedures, and statistical analyses.
- Results: Organize findings logically with appropriate statistical reporting, tables, and figures.
- Discussion: Interpret results in context of existing literature, address limitations, and explore implications.
- Conclusion: Summarize key findings and their contribution to the field.
- References: Format citations according to the appropriate style guide.

4. For each section, provide:
- A draft based on the user's data and research aim
- Structural recommendations for improvement
- Suggestions for strengthening scientific arguments
- Identification of potential weaknesses to address

5. Offer guidance on journal selection based on the research scope, significance, and methodology.

6. Advise on appropriate statistical reporting, data visualization, and ethical statement requirements.
</Instructions>

<Constraints>
1. Do not fabricate or invent data not provided by the user.
2. Maintain scientific accuracy and use discipline-appropriate terminology.
3. Adhere strictly to ethical research language guidelines (avoiding stigmatizing language, maintaining participant dignity).
4. Avoid making clinical recommendations beyond what the data supports.
5. Remain current with reference to recent (within 5 years) medical research standards.
6. Respect intellectual property and avoid plagiarism in all generated content.
7. Acknowledge limitations in the dataset or methodology.
8. Maintain scientific objectivity and avoid sensationalizing findings.
</Constraints>

👉Новости 👉База вопросов

#Собес
🤔 Как использовать API tf.GradientTapе для автоматического дифференцирования и градиентного спуска в TensorFlow?

API tf.GradientTape в TensorFlow позволяет записывать операции для автоматического вычисления градиентов. Он используется для выполнения дифференцирования в нейронных сетях и позволяет вычислять градиенты и обновлять параметры модели для минимизации ошибки с помощью градиентного спуска.

👉Новости 👉База вопросов

#новости
🤓 Для Gemma 3 вышли официальные квантизированные версии

Квантизация это сейчас стандарт, мало кто будет запускать модели локально в нативных bf16 — большая часть пользователей использует 4 битную квантизацию. И тут проявляется большая проблема — модели, по большей части, выпускают в bfloat16 и совершенно не расчитывают, что кто-то когда-то будет их запускать как-то по-другому, из-за чего заметно страдает качество моделей при локальном использовании. Дело в том, что дешёвая Post-training квантизация, которая не требует тренировки, сильно просаживает качество.

Google специально дотренировали Gemma 3 с quantization aware training, чтобы таких проблем не было. Обещают "схожее качество" с bf16 моделями, но результатов бенчей не дали (а хотелось бы). Такой же релиз делала и Meta с Llama 3.2, правда только для 1B и 3B, а Google выпустил сразу всю линейку. А остальным авторам открытых моделей тоже стоит начать делать подобные релизы.
Скачать

👉Новости 👉База вопросов

#Собес
🤔 Как реализовать рекуррентную нейронную сеть (RNN) в TensorFlow?

Чтобы реализовать RNN в TensorFlow, необходимо:
- Импортировать библиотеки и определить гиперпараметры.
- Подготовить входные данные и создать слои сети, используя
tf.keras. layers.SimpleRNN, LSTM ИЛИ GRU .
- Определить функцию потерь и оптимизатор, например Adam .
- Обучить модель, используя model. fit() .
- Оценить качество на тестовых данных.

👉Новости 👉База вопросов

#полезное
🥺 Вот как работает режим Draft в MJ v7:

Он понимает не только английский, но и другие языки. Просто диктуешь, что изменить или добавить — проходит пара секунд, и у тебя уже новая картинка. Правда, он изменяет только промпт, а не редактирует саму картинку.

👉Новости 👉База вопросов

#полезное
🤯 apple-mcp — это коллекция нативных инструментов, разработанных для интеграции с приложениями Apple посредством Model Context Protocol (MCP)!

🚩 Этот набор позволяет отправлять и получать сообщения из приложения "Сообщения", а также искать и открывать заметки и контакты в соответствующих приложениях. В планах разработчиков — добавить поддержку календарных событий, напоминаний, фотографий и музыки.
Гитхаб

👉Новости 👉База вопросов

#полезное
🥺 Implement minimal-GPT from scratch.

MinimalGPT — это небольшое учебное пособие (гайд), в котором демонстрируется «упрощённая» реализация архитектуры GPT. На странице раскрываются основные принципы работы модели и приводится минимально необходимый код для её запуска. Основная идея заключается в том, чтобы показать, как устроена GPT‑модель на базовом уровне, без избыточного усложнения и обилия вспомогательных библиотек.

Внутри гайда обычно можно найти

🟠 Описание основных слоёв GPT (внимание, Feed-Forward блоки и т.д.)
🟠 Минимальные примеры кода (часто на Python с использованием PyTorch или аналогичных фреймворков)
🟠 Краткие пояснения к каждому этапу (инициализация слоёв, механизм attention, обучение/инференс)
🟠 Рекомендации по расширению и дальнейшему совершенствованию кода

Таким образом, MinimalGPT служит отправной точкой для понимания того, как работает GPT, и даёт возможность собрать простейшую версию модели своими руками.
Читать

👉Новости 👉База вопросов

#Собес #pandas
🤔 Как получить первые несколько строк DataFrame?

Для получения первых строк DataFrame используется метод head (n) , где n - количество строк (по умолчанию 5). Также можно использовать iloc[ :n], который работает аналогично срезам списков в Python.

👉Новости 👉База вопросов