Открытый код · Python · MIT и Apache-2.0
Слой между результатом исследования и тем, что команда может запустить: структура проекта, трекинг, интерфейсы и тесты, которые удерживают цифру честной через полгода после замера.
Пять библиотек, бесплатный курс и открытые разборы. С 2026 года.
Проекты
Каждый ставится сегодня, документирован и выпущен под разрешительной лицензией. Цифры рядом с проектом получены скриптом из того же репозитория.
Юридический ассистент, цитаты которого проверены, а не заявлены. Гибридный поиск с переранжированием кросс-энкодером и NLI-модель, которая сверяет, что норма подтверждает утверждение. Ответ по умолчанию — текст закона, галлюцинировать он не может.
Философия Django, применённая к машинному обучению. Вы объявляете датасеты, модели, агентов и оценки; одно тело класса становится страницей админки, документированным эндпоинтом, миграцией и целью в CLI одновременно.
Агентный цикл, который читается за один вечер. Каждый вызов модели, вызов инструмента и переход состояния — обычный объект, который можно записать, снять снимком и воспроизвести. Ядро не импортирует ничего вне стандартной библиотеки.
Обучение с подкреплением для решений, у которых есть функция издержек: цены, запасы, энергетика, очереди, цепочки поставок. Каждая прикладная среда идёт вместе с классической базовой линией из исследования операций.
Полигон, где агент оценивается против точного оптимума. Шесть операционных решений, у каждого рядом настроенный классический метод и посчитанный оптимум, а на разности — бутстрап-интервал.
Стек
Список короткий намеренно. Каждая зависимость — это то, что читателю придётся поставить, изучить и поддерживать, поэтому каждая здесь оправдывает себя больше чем в одном проекте.
Типизировано насквозь, проверяется mypy и ruff в CI. Нижние границы версий говорят, с чем читатель может прийти, а не на чём гоняется CI: поднять их — значит закрыть дверь, ничего при этом не проверив.
Все алгоритмы decisionrl. Целевая платформа по умолчанию — CPU: прикладные среды достаточно малы, чтобы читатель без GPU воспроизвёл цифры из документации. Ради этого их и публикуют.
Одно API-ядро обслуживает всех клиентов. Плотный поиск — умножение матрицы на вектор по векторам в памяти с кэшем на диск, плюс запасной путь на чистой стандартной библиотеке, чтобы офлайн-образ и CI работали вообще без NumPy. Индекс на Postgres с pgvector спроектирован, но не подключён: схема в репозитории есть, ретривера нет.
Образ ставит extra api, поднимает офлайн-режим и несёт корпус внутри, так
что docker compose up app работает без ключей, GPU и обращений наружу.
Читатель, который не смог запустить, ничего проверить не сможет.
Linux, macOS и Windows на каждый push, с одной агрегирующей проверкой для защиты ветки. Релизы публикуются через Trusted Publishing, а десктопные бинарники несут подписанную аттестацию происхождения.
Сборка с --strict, которая падает на сломанной внутренней ссылке или
странице вне навигации. Ни веб-шрифтов, ни аналитики ни на одном из сайтов, включая
этот.
Замеры
Здесь нет логотипов клиентов и нет кейсов. Открытая организация может показать вместо них свои замеры и команды, которыми они воспроизводятся.
| Задача | Запас | 95% интервал |
|---|---|---|
inventory | +0.4% | [+0.561, +1.031] |
joint-pricing | +4.3% | [+3.794, +5.656] |
pricing | +6.2% | [+1.265, +1.761] |
queueing | +16.9% | [+3.418, +3.988] |
supply-chain | +17.3% | [+5.505, +7.493] |
energy | +26.6% | [+4.221, +4.690] |
Разброс здесь и есть содержание. Там, где учебный ответ уже почти оптимален, выигрывать нечего; там, где он не умеет планировать вперёд, на столе остаётся четверть ценности. Бенчмарк, у которого все задачи оставляют щедрый запас, отобран под проблемы, на которых стандартный метод плох.
Разборы и обучение
Статья сообщает, что она нашла. Разбор пишет, что она показала — это меньше, — и отмечает расстояние между первым и вторым.
Дофаминовые нейроны среднего мозга разряжаются по схеме, похожей на ошибку временных разностей. Настолько похожей, что алгоритм 1988 года предсказал, что электрод запишет в 1997-м, — поэтому результат и переоценивают.
Машинное обучение, обучение с подкреплением, нейронауки и методы проверки утверждений. Каждый разбор объявляет источники, и CI отклоняет тот, который этого не делает.
От арифметики среднего до воспроизведения свежей статьи. Без регистрации и без «первый модуль бесплатно». Модуль первый — про базовые линии и доверительные интервалы, ещё до всякого машинного обучения: центральный навык здесь — проверить утверждение, а не запустить обучение.
Метод
Это критерии ревью, а не пожелания. Pull request, который нарушает одно из них, получает комментарии.
Сообщение читают в худший возможный момент и без открытого исходника. Оно должно сказать, что пошло не так и что делать дальше, и перечислить альтернативы, когда они есть.
test_assignment_is_stable_when_rows_are_added, а не test_split.
Тест, название которого не переживает чтения вслух, ничего не документирует.
Зелёный пайплайн на одной машине — не доказательство. Каждое публикуемое утверждение измеряется на том запуске, который описывает, а цифры в README закреплены тестами, потому что проза тихо портится, а падающий тест — нет.
Код уже говорит, что он делает. Комментарий нужен для ограничения, которого читатель не видит.
Если фреймворк делает что-то за вас, должна быть возможность найти строку, где это происходит.
Работа вместе
DrobyshevDev
CONTRIBUTING.md — свой или общий для организации — с проверками, которые запустит CI, поэтому неписаных правил нет.