по всем вопросам @haarrp
@itchannels_telegram - 🔥 все ит каналы
@ai_machinelearning_big_data -ML
@ArtificialIntelligencedl -AI
@datascienceiot - 📚
@pythonlbooks
РКН: clck.ru/3FmxmM
@pythonl offers specialized information about haarrp and artificialintelligencedl for subscribers interested in Курсы и Обучение
Пока нет отзывов. Будьте первым, кто поделится своим опытом!
Последние посты
Python/ django
18 мая 2026 г., 01:58
📷 Photo
Python 3.15 выходит с крутыми новыми фичами 🐍
Самые интересные:
• Ленивые импорты через ключевое слово lazy - ускоряют запуск
• frozendict наконец-то стал встроенным типом
• Распаковка в comprehensions через * и **
• Улучшения JIT-компилятора - на 6-13% быстрее на x86-64 Linux
• Новый высокочастотный статистический профилировщик
Бета выйдет позже на этой неделе.
4,640
52
0
Python/ django
18 мая 2026 г., 01:58
📷 Photo
🌟 WindsurfAPI - тот самый мост, которого не хватало между Windsurf и привычными AI-инструментами.
Проект поднимает локальный API-прокси и позволяет обращаться к моделям Windsurf через знакомые форматы:
- /v1/chat/completions - OpenAI-compatible API
- /v1/messages - Anthropic-compatible API
То есть можно подключать Windsurf к Claude Code, Cursor, Cline, своим скриптам, агентам и LLM-gateway без переписывания всей инфраструктуры.
Что полезного:
- запуск локально или на своём сервере
- работа через привычные SDK
- совместимость с OpenAI / Anthropic форматами
- переключение между моделями из экосистемы Windsurf
- account pooling для распределения лимитов между аккаунтами
По сути, WindsurfAPI превращает Windsurf из закрытого IDE-инструмента в нормальный API-слой для своих агентных пайплайнов.
Очень практичная штука для тех, кто собирает кастомные AI-workflows и хочет подключать модели к своим инструментам, а не жить только внутри редактора.
Сейчас дают 50+ популярных ИИ через официальные API бесплатно.
GitHub: https://github.com/dwgx/WindsurfAPI
Python/ django
18 мая 2026 г., 01:58
📷 Photo
🗺️ LingBot-Map: Инновационная 3D-реконструкция в реальном времени! 🏗️
LingBot-Map — это мощная модель для потоковой 3D-реконструкции, использующая геометрический контекст и трансформеры. Она обеспечивает высокую эффективность и стабильную работу при обработке длинных последовательностей, демонстрируя выдающиеся результаты на различных бенчмарках.
🚀Основные моменты:
- Геометрический контекстный трансформер для объединения координат и геометрических данных.
- Высокая эффективность потокового вывода с частотой ~20 FPS.
- Современные методы реконструкции, превосходящие существующие подходы.
📌 GitHub: https://github.com/Robbyant/lingbot-map
4,740
Python/ django
18 мая 2026 г., 01:58
Как за 1 час собрать рабочий Skill в Claude
Это не теория, а простой пайплайн, который реально работает.
Сначала идея
Берёшь повторяющуюся задачу и сразу формулируешь, что именно должен делать скилл. Лучше максимально конкретно.
Дальше сборка
Запускаешь skill-creator и отвечаешь на вопросы. На выходе получаешь папку и http://SKILL.md/ с логикой, триггерами и инструкциями.
Потом тест
Пробуешь на реальных запросах. Смотришь, срабатывает ли там, где нужно.
Оценка
Смотришь eval. Это шаг, который почти все пропускают, а зря. Он показывает, где скилл ведёт себя нестабильно.
Доработка
Чистишь формулировки, уточняешь триггеры, убираешь лишние срабатывания.
Финал
Загружаешь в Capabilities → Skills и проверяешь уже в живом чате.
Как ускорить процесс
Открой Claude Cowork
Выбери Opus + Extended Thinking
И просто напиши:
"Помоги создать скилл для моей повторяющейся задачи"
Главное правило
Если скилл срабатывает лишний раз, проблема почти всегда в описании.
Хороший скилл - это не код, а правильно заданный контекст.
https://www.youtube.com/shorts/GhgKXX0mdxk
5,120
Python/ django
18 мая 2026 г., 01:58
📷 Photo
🚀 Оптимизация LLM для RTX 3090
Репозиторий предлагает конфигурации и патчи для запуска современных языковых моделей на RTX 3090. Поддерживает несколько движков и моделей, обеспечивая максимальную производительность и надежность в зависимости от ваших потребностей.
🚀 Основные моменты:
- Поддержка двух маршрутов: максимальная производительность или надежность.
- Проверенные конфигурации Docker для локального API.
- Модель-агностичный подход с поддержкой различных языковых моделей.
- Оптимизированные настройки для 1 или 2 RTX 3090.
📌 GitHub: https://github.com/noonghunna/club-3090
#python
🎮 Создание 2D-спрайтов с помощью AI
Agent Sprite Forge позволяет превращать текстовые промпты в готовые к игре 2D-спрайты и карты. Используя Codex, вы можете создавать анимации, экспортировать чистые прозрачные листы и данные сцен для игр.
🚀 Основные моменты:
- Генерация спрайтов и анимаций из текстовых команд.
- Поддержка создания карт и игровых объектов.
- Возможность разработки полноценных игр с помощью AI.
- Интуитивно понятный интерфейс для планирования и рендеринга.
📌 GitHub: https://github.com/0x0funky/agent-sprite-forge
#python
4,960
19
Python/ django
18 мая 2026 г., 01:58
📷 Photo
🖥 https://stepik.org/a/284799/pay?promo=c732de84342a0dce
project_final_v2_FINAL_truly_final - знакомо?
Значит, пора.
Большинство разработчиков знают 5 команд Git и боятся шестую. Коммитят в main, гуглят «how to undo» и копируют папку «на всякий случай».
Это не работа - это выживание.
После курса вы:
— делаете rebase, не задерживая дыхание;
— разбираете конфликт на 200 файлов по алгоритму;
— возвращаете «потерянные навсегда» коммиты за 30 секунд через reflog;
— пишете историю, которую не стыдно показать на code review.
Git Flow, trunk-based, Pull Request, защита веток, CI/CD-хуки — всё, что отличает джуна от senior в командной работе.
Скидка 53%, 48 часов: https://stepik.org/a/284799/pay?promo=c732de84342a0dce
5,340
Python/ django
28 мар. 2026 г., 06:30
📷 Photo
Иногда хорошая работа сама находит🕵
У нас есть https://t.me/job_radar_2gis_bot — он мониторит все ИТ-вакансии 2ГИС и присылает именно те, что подходят по профилю. Для этого нужно отметить направление и формат работы. Как только подходящая вакансия появится, бот пришлёт уведомлялку.
Подключайтесь, новые вакансии уже там🔥
4,590
3
Python/ django
28 мар. 2026 г., 06:30
🎥 Video
🚀 Автономный помощник для подачи заявок на работу
ApplyPilot - это мощный инструмент для автоматизации процесса подачи заявок на работу. Он ищет вакансии на нескольких платформах, оценивает их с помощью ИИ, адаптирует ваше резюме и отправляет заявки без вашего участия. Просто настройте один раз и позвольте системе работать за вас.
🚀 Основные моменты:
- Полная автоматизация подачи заявок на работу
- Оценка вакансий по соответствию вашему резюме
- Генерация адаптированных резюме и сопроводительных писем
- Поддержка множества платформ для поиска вакансий
- Открытый исходный код и бесплатный доступ к API
📌 GitHub: https://github.com/Pickle-Pixel/ApplyPilot
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
5,440
Python/ django
28 мар. 2026 г., 06:30
📷 Photo
🛰️ Shadowbroker: Реальное геопространственное разведывательное решение
Shadowbroker — это платформа для анализа открытых источников, которая в реальном времени агрегирует данные о глобальных событиях, таких как авиаперелеты, морское движение, спутники и конфликты. Идеально подходит для аналитиков и исследователей, желающих получить целостный обзор мировых событий на едином интерфейсе.
🚀Основные моменты:
- Отслеживание частных и коммерческих авиарейсов
- Мониторинг морского трафика и военных кораблей
- Геолокация спутников и анализ их миссий
- Информация о глобальных конфликтах и событиях
- Доступ к CCTV и сигналам GPS в реальном времени
📌 GitHub: https://github.com/BigBodyCobain/Shadowbroker
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
4,890
Python/ django
28 мар. 2026 г., 06:30
🎥 Video
🚀 Себастьян Рашка собрал в одном месте галерею архитектур современных языковых моделей.
Внутри - 40+ моделей (2024–2026):
от DeepSeek и Qwen до Nemotron и Grok.
Для каждой модели есть:
• наглядная схема архитектуры
• размер и число параметров
• тип декодера
• ссылки на технические отчёты и конфиги
• иногда даже реализации
По сути это единая карта современных LLM, где можно быстро посмотреть, как устроены разные модели и как эволюционируют архитектуры.
https://sebastianraschka.com/llm-architecture-gallery/
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
7,810
25
Python/ django
28 мар. 2026 г., 06:30
📷 Photo
🤖 Chat an idea - get a full research paper.
Появился интересный open-source проект - AutoResearchClaw.
Это система автономного AI-ресёрча: вы просто пишете идею исследования, а агент запускает полный исследовательский цикл автоматически.
Что делает система:
• генерирует гипотезу и план исследования
• ищет и анализирует научные работы
• запускает эксперименты
• пишет код и анализирует результаты
• формирует графики и выводы
• собирает готовую научную статью
Фактически это AI-pipeline “от идеи до paper”.
Один запрос →
полный research workflow без участия человека.
Проект построен как мульти-агентная система, где разные агенты выполняют отдельные задачи: поиск литературы, эксперименты, анализ и написание текста.
Такие системы могут сильно ускорить:
• научные исследования
• ML-эксперименты
• генерацию идей и гипотез
• подготовку академических статей
https://github.com/aiming-lab/AutoResearchClaw
#AI #LLM #AIAgents #MachineLearning #Research
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
Python/ django
28 мар. 2026 г., 06:30
🎥 Video
🤖 Python библиотеки для AI-агентов — что изучать
Если вы хотите разрабатывать AI-агентов на Python, важно понимать порядок изучения библиотек.
Начните с LangChain, CrewAI или SmolAgents — они позволяют быстро собрать простых агентов, подключить инструменты и протестировать идеи.
Следующий уровень — LangGraph, LlamaIndex и Semantic Kernel. Эти инструменты уже используются для production-систем: RAG, orchestration и сложные workflow.
Самый сложный уровень — AutoGen, DSPy и A2A. Они нужны для автономных мультиагентных систем и оптимизации LLM-пайплайнов.
LangChain — простые агенты, инструменты и память
http://github.com/langchain-ai/langchain
CrewAI — мультиагентные системы с ролями
http://github.com/joaomdmoura/crewAI
SmolAgents — лёгкие агенты для быстрых экспериментов
http://github.com/huggingface/smolagents
LangGraph — orchestration и stateful workflow
http://github.com/langchain-ai/langgraph
LlamaIndex — RAG и knowledge-агенты
http://github.com/run-llama/llama_index
Semantic Kernel — AI workflow и плагины
http://github.com/microsoft/semantic-kernel
AutoGen — автономные мультиагентные системы
http://github.com/microsoft/autogen
DSPy — оптимизация LLM-пайплайнов
http://github.com/stanfordnlp/dspy
A2A — протокол взаимодействия между агентами
http://github.com/a2aproject/A2A
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
Python/ django
28 мар. 2026 г., 06:30
📷 Photo
https://github.com/trycua/cua — это Docker для агентов, использующих компьютер — он позволяет агентам ИИ управлять полноценными операционными системами в виртуальных контейнерах и развертывать их локально или в облаке.
— Всего ~1,000 строк кода — легко читать, расширять и встраивать
— Поддержка OpenAI, Anthropic, Mistral и других LLM-провайдеров
https://github.com/trycua/cua
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
5,580
14
Python/ django
28 мар. 2026 г., 06:30
📷 Photo
🖥 ByteDance только что выпустили в открытый доступ - OpenViking, и этот проект показывает, что именно не так с тем, как сегодня строят память для AI-агентов.
Вот где большинство агент-фреймворков ошибаются:
Память хранится в одном месте.
Ресурсы — в другом.
Навыки разбросаны по системе.
Когда агенту нужен контекст, обычно делают плоский векторный поиск и просто надеются на лучший результат.
Именно это и проблема. OpenViking решает её одной идеей:
рассматривать контекст агента как файловую систему.
Всё работает через единый протокол:
viking://
Память, ресурсы и навыки организованы как директории с уникальными URI.
Агент может ls, find и навигировать по контексту, как разработчик в терминале.
Главный прорыв — многоуровневая загрузка контекста:
- L0 — одно предложение для быстрого поиска
- L1 — обзор ~2000 токенов для принятия решений
- L2 — полные детали, загружаются только когда действительно нужны
Большинство агентов просто загружает всё в контекст и надеется на лучшее.
OpenViking загружает только нужные данные и только в нужный момент.
Результат:
- меньше расходов на токены
- выше точность
- быстрее работа агентов
Retrieval теперь тоже работает логичнее.
Вместо одного плоского семантического поиска:
1. сначала происходит позиционирование на уровне директорий
2. затем рекурсивный поиск внутри наиболее релевантных директорий
Можно буквально видеть траекторию поиска — это больше не чёрный ящик.
Есть и механизм самоэволюции агента.
В конце каждой сессии система автоматически:
- извлекает новые знания
- обновляет память агента
- обновляет память пользователя
То есть агент становится умнее с каждым использованием.
Проект уже имеет:
- 9K звёзд на GitHub
- 13 контрибьюторов
Разработан командой ByteDance Viking, которая строит инфраструктуру векторного поиска с 2019 года.
Проект полностью open-source под лицензией Apache 2.0.
https://github.com/volcengine/OpenViking
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
Python/ django
28 мар. 2026 г., 06:30
📷 Photo
Нужны твои навыки в работе с ИИ на МТС True Tech Hack 2026!
Тебе сюда, если ты инженер данных, разработчик или системный аналитик. 1 500 000 рублей — общий призовой фонд ИТ-соревнования.
Формат: командное онлайн-соревнование с финалом в Москве. Если нет команды — поможем найти на платформе мероприятия.
Тебя ждут три задачи на выбор — каждая с уникальной технической фишкой.
Для всех финалистов — приглашение на закрытую вечеринку, а лучших участников позовут на стажировку.
https://truetechhack.ru/?utm_source=tg_seeding&utm_medium=cpp&utm_campaign=true_tech_hack2026&utm_content=pythonl_&erid=2VtzquWYWtM до 9 апреля
4,720
Python/ django
28 мар. 2026 г., 06:30
🎥 Video
🐍 Почему ошибки валидации в Python иногда так сложно найти
Чем глубже вложена структура данных, тем сложнее понять, где именно произошла ошибка.
Если использовать обычные dataclass, вы чаще всего увидите только значение, которое не прошло проверку — но не путь к полю, где возникла проблема.
В сложных вложенных структурах это превращает отладку в настоящую боль.
Pydantic решает эту проблему.
Он показывает полный путь до поля, которое вызвало ошибку — от корневой модели до конкретного атрибута.
В результате сразу понятно, где искать проблему.
Пример:
from pydantic import BaseModel, Field
class Address(BaseModel):
zip_code: str = Field(pattern=r"^\d{5}$")
class Customer(BaseModel):
name: str
address: Address
customer = Customer(
name="Alice",
address={"zip_code": "9ABC1"}
)
Ошибка будет выглядеть так:
ValidationError: address.zip_code
String should match pattern '^\d{5}$'
То есть Pydantic сразу показывает:
address.zip_code
А не просто сообщает, что «где-то внутри данных ошибка».
Для сложных JSON, API-ответов и вложенных моделей это сильно упрощает дебаг.
#Python #Pydantic #Backend #DataValidation
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
⚡️ Языки программирования и время, которое потребовалось для выпуска первой версии.
Многие думают, что язык программирования можно сделать быстро. Но на практике на это уходят годы. Rust разрабатывали девять лет, Kotlin и C++ около шести, Go и Java примерно пять. Даже Python готовили два года перед первым релизом.
Есть знаменитое исключение - JavaScript. Его написали всего за десять дней в 1995 году, и многие странности языка до сих пор связаны именно с такой скоростью разработки.
Это хороший пример того, что создание фундаментального инструмента требует времени и большого количества экспериментов.
🦀 Rust - 9 лет (2006 → 2015)
🤖 Kotlin - 6 лет (2010 → 2016)
⚙️ C++ - 6 лет (1979 → 1985)
☕ Java - 5 лет (1991 → 1996)
🐹 Go - 5 лет (2007 → 2012)
🍎 Swift - 4 года (2010 → 2014)
🔧 C - 3 года (1969 → 1972)
🧬 Scala - 3 года (2001 → 2004)
📊 Julia - 3 года (2009 → 2012)
🐍 Python - 2 года (1989 → 1991)
🌐 JavaScript - 10 дней (1995)
💎 Ruby - 2 года (1993 → 1995)
🐘 PHP - 1 год (1994 → 1995)
🔷 C# - 2 года (1998 → 2000)
🎯 TypeScript - 2 года (2010 → 2012)
🎯 Dart - 2 года (2009 → 2011)
⚡ Elixir - 2 года (2011 → 2013)
🧠 Haskell - 3 года (1987 → 1990)
🧩 Objective-C - 1 год (1983 → 1984)
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
Python/ django
26 мар. 2026 г., 08:38
🎥 Video
🎙 TADA (Text Audio Dual Alignment) - речевая AI-система нового типа.
Она генерирует текст и аудио одновременно в одном синхронизированном потоке.
Это позволяет снизить галлюцинации на уровне токенов и значительно уменьшить задержку.
Что показали тесты:
→ 0 галлюцинаций контента на 1000+ тестовых примеров
→ в 5 раз быстрее, чем похожие LLM-решения для TTS
→ намного длиннее аудио: 2048 токенов покрывают ~700 секунд речи (в обычных системах около 70 секунд)
→ транскрипт генерируется сразу вместе с аудио без дополнительной задержки
По сути, модель думает текстом и голосом одновременно, что делает генерацию речи быстрее и точнее.
https://huggingface.co/collections/HumeAI/tada
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
6,950
Python/ django
26 мар. 2026 г., 08:38
📷 Photo
🔥 Андрей Карпати выложил в open-source проект autoresearch.
Идея проста, но мощная: агент может запускать до 100 ML-экспериментов за ночь на одном GPU. Он сам пишет код, запускает обучение, анализирует результат, улучшает архитектуру и сохраняет только то, что работает.
Роль человека в этой системе минимальна.
Всё, что нужно поддерживать - один файл `program.md`, в котором описана стратегия исследования:
что исследовать, какие идеи приоритетнее, какие компромиссы важны.
Агент читает этот файл, рассуждает над ним и сам решает, какой эксперимент запускать следующим.
Как работает система:
- автономный git-цикл — агент коммитит каждое улучшение
- каждый эксперимент длится ровно 5 минут, чтобы сравнение было честным
- оптимизируются архитектура, гиперпараметры и оптимизатор
- человек редактирует стратегию
- агент редактирует код
- всё работает на одном GPU
Главная мысль проекта:
узкое место в AI-исследованиях - уже не вычисления, а идея эксперимента.
В autoresearch этим bottleneck становится всего один файл - program.md.
http://github.com/karpathy/autoresearch
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
Языки программирования и их инструкции импорта
🐍 Python - import module
☕ Java - import package. Class;
⚡ C - #include
🛠️ C++ - #include
🌐 JavaScript - import module from "module"
🛠️ C# - using Namespace;
🐹 Go - import "package"
🦀 Rust - use crate::module;
🐘 PHP - require "file.php";
💎 Ruby - require "library"
🐪 Kotlin - import package. Class
🍎 Swift - import Module
🔷 TypeScript - import {x} from "module"
🧮 R - library(package)
🐚 Bash - source http://file.sh/
🧱 Dart - import 'package:lib/lib.dart';
🎯 Scala - import package. Class
🐼 Groovy - import package. Class
🧠 Julia - using Module
🔧 Assembly (x86 Linux) - %include " http://file.inc/"
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
6,140
18
Python/ django
24 мар. 2026 г., 08:27
📷 Photo
https://github.com/zauberzeug/nicegui — это простой в использовании фреймворк на основе Python, который отображается в вашем веб-браузере.
Вы можете создавать кнопки, диалоговые окна, Markdown, 3D-сцены, графики и многое другое.
https://github.com/zauberzeug/nicegui
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
6,090
26
Python/ django
24 мар. 2026 г., 08:27
📷 Photo
🔥 Вышла модель Qwen-Image-Layered-Control-V2
Новая версия инструмента для извлечения слоёв из изображений с управлением через кисть. Модель построена поверх оригинальной Qwen-Image-Layered-Control и позволяет точнее выделять элементы на иллюстрациях и постерах.
Теперь можно управлять слоями прямо на изображении:
Красная кисть показывает какой слой нужно извлечь.
Зелёная кисть отмечает что нужно удалить.
Если области пересекаются, они отображаются жёлтым.
Также продолжает работать текстовое управление:
prompt — описывает, что нужно извлечь.
negative_prompt — что нужно исключить.
Кисти и текст можно свободно комбинировать, что даёт больше контроля при работе со слоями.
Рекомендуемые настройки: около 10 шагов инференса.
Если используется управление кистью, можно поставить cfg_scale=1, чтобы значительно ускорить генерацию.
Лучше всего модель работает с постерами и иллюстрациями, где объекты изначально разделены на слои. Для фотографий с тенями и сложным освещением она не предназначена.
Модель обучена на датасете PrismLayersPro и распространяется как LoRA, которая загружается поверх базовой версии V1.
🟢Model: https://modelscope.ai/models/DiffSynth-Studio/Qwen-Image-Layered-Control-V2
🟢Dataset: https://modelscope.cn/datasets/artplus/PrismLayersPro
🟢GitHub: https://github.com/modelscope/DiffSynth-Studio
Python/ django
24 мар. 2026 г., 08:27
📷 Photo
🎥 Helios: Модель генерации видео в реальном времени
Helios — это передовая модель генерации видео, способная создавать высококачественные видео длительностью в минуты с частотой 19.5 FPS на одном GPU H100. Она не использует традиционные методы борьбы с дрейфом и стандартные техники ускорения, что делает её уникальной в своем роде.
🚀Основные моменты:
- Генерация видео без анти-дрифтовых стратегий.
- Высокая скорость 19.5 FPS без стандартных ускоряющих техник.
- Оптимизация, уменьшающая потребление памяти и увеличивающая производительность.
- Поддержка нескольких моделей в рамках 80 ГБ видеопамяти.
- Официальная реализация с открытым исходным кодом.
📌 GitHub: https://github.com/PKU-YuanGroup/Helios
🐍 https://t.me/addlist 🚀 https://max.ru/pythonl
5,890
Python/ django
22 мар. 2026 г., 00:08
OpenAI объявила о начале развёртывания новых моделей GPT-5.4 Thinking и GPT-5.4 Pro в ChatGPT.
Также GPT-5.4 стала доступна разработчикам через API и в Codex. Новая версия объединяет несколько ключевых направлений развития моделей: улучшенное логическое рассуждение, более сильные возможности программирования и поддержку агентных сценариев работы.
Самое интересное:
• GPT-5.4 лидер в agentic tasks
• заметный скачок в математике
• очень сильный результат в научных задачах (GPQA)
• улучшена работа с веб-средой и инструментами
Фактически это модель, которую явно оптимизировали под агентов, инструменты и сложное reasoning, а не просто чат.
По словам компании, GPT-5.4 стала одной из самых точных и эффективных моделей. Она требует меньше токенов для выполнения задач и работает быстрее по сравнению с предыдущими версиями.
В версии ChatGPT модель GPT-5.4 Thinking получила улучшенный режим размышления: при более длительном анализе она лучше удерживает контекст и способна проводить более глубокие исследования в интернете.
Появилась и новая функция управления процессом ответа. Теперь пользователь может прервать генерацию в середине ответа и изменить направление работы модели, добавив новые инструкции.
Функция управления ответом уже начинает появляться в веб-версии ChatGPT и на Android. Поддержка iOS ожидается немного позже.
https://x.com/openai/status/2029620624923189283?s=46https://t.me/ai_machinelearning_big_data