· Simon Willison

Вышел datasette-agent 0.6a0 с полем запроса на главной странице

Разработчик Саймон Уиллисон выпустил версию datasette-agent 0.6a0 — плагина для Datasette, который позволяет задавать вопросы к данным с помощью ИИ. В релиз вошли накопившиеся мелкие исправления и строка запроса к агенту на главной странице с поддержкой хеш-упоминаний таблиц и запросов.

Читать в первоисточнике — Simon Willison ↗

Ещё в ленте

· Хабр · Модели · Безопасность

Использование LLM для создания виртуальной файловой системы на Python и FUSE

Автор предложил использовать склонность языковых моделей к генерации вымышленных данных для прикладных задач. Такой подход применим при создании тестовых данных, наполнении игровых миров и формировании ловушек для взломщиков. Реализация решения основана на монтировании LLM в виде бесконечного диска с помощью Python и FUSE.

· Хабр · Модели · Исследования

Жизненный цикл разработки моделей машинного обучения и языковых моделей

Опубликован обзор полного жизненного цикла разработки моделей машинного обучения: от сбора данных и выбора алгоритма до обучения и тестирования. В материале рассматриваются современные подходы к NLP, этапы предобработки, а также способы оптимизации и борьбы с переобучением.

· Simon Willison · Продукты · Open source

В datasette-apps 0.4a0 добавили связывание приложений при помощи Datasette Agent

Вышла версия datasette-apps 0.4a0 для работы с изолированными HTML- и JavaScript-приложениями внутри Datasette с возможностью выполнения SQL-запросов к данным. Обновление добавляет поддержку URL-фрагментов для взаимного связывания разных приложений. Поддерживаемые схемы адресов передаются в Datasette Agent, что помогает ИИ-агенту генерировать связанные между собой интерфейсы.

· Хабр · Исследования · Модели

Исследование редактирования весов Qwen3.5-0.8B с помощью MIT-p50c и SGNE-CC

Модель Qwen3.5-0.8B часто зацикливается и не успевает завершить рассуждения до лимита в 32 768 токенов. Метод редактирования весов без дообучения MIT-p50c повысил ее точность на бенчмарке MATH-500 с 7,9% до 48,1%. В исследовании сравниваются геометрия весов и поведение модификаций MIT-p50c и SGNE-CC на нескольких тестах.