Artificial Intelligence
الذهاب إلى القناة على Telegram
Artificial Intelligence admin - @haarrp @itchannels_telegram - 🔥 best it channels @ai_machinelearning_big_data - Machine learning channel @pythonl - Our Python channel @pythonlbooks- python книги📚 @datascienceiot - ml 📚 РКН: clck.ru/3FmwZw
إظهار المزيد
الشبكة:📈 نظرة تحليلية على قناة تيليجرام Artificial Intelligence
تُعد قناة Artificial Intelligence (@artificialintelligencedl) لاعباً نشطاً. يضم المجتمع حالياً 16 809 مشتركاً، محتلاً المرتبة 7 529 في فئة التكنولوجيات والتطبيقات والمرتبة 39 175 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 16 809 مشتركاً.
بحسب آخر البيانات بتاريخ 03 سبتمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 19، وفي آخر 24 ساعة بمقدار 2، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 6.02%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 2.63% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 012 مشاهدة. وخلال اليوم الأول يجمع عادةً 442 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 3.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل llm, github, api, dataset, deepseek.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Artificial Intelligence
admin - @haarrp
@itchannels_telegram - 🔥 best it channels
@ai_machinelearning_big_data - Machine learning channel
@pythonl - Our Python channel
@pythonlbooks- python книги📚
@datascienceiot - ml 📚
РКН: clck.ru/3FmwZw”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 04 سبتمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
16 809
المشتركون
+224 ساعات
+337 أيام
+1930 أيام
جاري تحميل البيانات...
القنوات المماثلة
سحابة العلامات
الإشارات الواردة والصادرة
---
---
---
---
---
---
جذب المشتركين
سبتمبر '26
سبتمبر '26
+10
في 0 قنوات
أغسطس '26
+115
في 0 قنوات
Get PRO
يوليو '26
+158
في 1 قنوات
Get PRO
يونيو '26
+37
في 0 قنوات
Get PRO
مايو '26
+93
في 0 قنوات
Get PRO
أبريل '26
+199
في 0 قنوات
Get PRO
مارس '26
+158
في 0 قنوات
Get PRO
فبراير '26
+223
في 0 قنوات
Get PRO
يناير '26
+152
في 0 قنوات
Get PRO
ديسمبر '25
+122
في 0 قنوات
Get PRO
نوفمبر '25
+244
في 0 قنوات
Get PRO
أكتوبر '25
+89
في 2 قنوات
Get PRO
سبتمبر '25
+135
في 1 قنوات
Get PRO
أغسطس '25
+139
في 1 قنوات
Get PRO
يوليو '25
+342
في 1 قنوات
Get PRO
يونيو '25
+284
في 1 قنوات
Get PRO
مايو '25
+227
في 2 قنوات
Get PRO
أبريل '25
+250
في 1 قنوات
Get PRO
مارس '25
+213
في 1 قنوات
Get PRO
فبراير '25
+188
في 3 قنوات
Get PRO
يناير '25
+427
في 3 قنوات
Get PRO
ديسمبر '24
+288
في 5 قنوات
Get PRO
نوفمبر '24
+359
في 1 قنوات
Get PRO
أكتوبر '24
+162
في 4 قنوات
Get PRO
سبتمبر '24
+320
في 5 قنوات
Get PRO
أغسطس '24
+233
في 4 قنوات
Get PRO
يوليو '24
+504
في 3 قنوات
Get PRO
يونيو '24
+498
في 2 قنوات
Get PRO
مايو '24
+697
في 37 قنوات
Get PRO
أبريل '24
+719
في 45 قنوات
Get PRO
مارس '24
+914
في 21 قنوات
Get PRO
فبراير '24
+929
في 2 قنوات
Get PRO
يناير '24
+1 125
في 42 قنوات
Get PRO
ديسمبر '23
+427
في 8 قنوات
Get PRO
نوفمبر '23
+241
في 1 قنوات
Get PRO
أكتوبر '23
+753
في 1 قنوات
Get PRO
سبتمبر '23
+656
في 0 قنوات
Get PRO
أغسطس '23
+308
في 0 قنوات
Get PRO
يوليو '23
+356
في 0 قنوات
Get PRO
يونيو '23
+546
في 0 قنوات
Get PRO
مايو '23
+424
في 0 قنوات
Get PRO
أبريل '23
+171
في 0 قنوات
Get PRO
مارس '23
+179
في 0 قنوات
Get PRO
فبراير '23
+225
في 0 قنوات
Get PRO
يناير '23
+176
في 0 قنوات
Get PRO
ديسمبر '22
+134
في 0 قنوات
Get PRO
نوفمبر '22
+137
في 0 قنوات
Get PRO
أكتوبر '22
+275
في 0 قنوات
Get PRO
سبتمبر '22
+304
في 0 قنوات
Get PRO
أغسطس '22
+146
في 0 قنوات
Get PRO
يوليو '22
+189
في 0 قنوات
Get PRO
يونيو '22
+188
في 0 قنوات
Get PRO
مايو '22
+245
في 0 قنوات
Get PRO
أبريل '22
+497
في 0 قنوات
Get PRO
مارس '22
+722
في 0 قنوات
Get PRO
فبراير '22
+255
في 0 قنوات
Get PRO
يناير '22
+162
في 0 قنوات
Get PRO
ديسمبر '21
+509
في 0 قنوات
Get PRO
نوفمبر '21
+253
في 0 قنوات
Get PRO
أكتوبر '21
+122
في 0 قنوات
Get PRO
سبتمبر '21
+167
في 0 قنوات
Get PRO
أغسطس '21
+167
في 0 قنوات
Get PRO
يوليو '21
+169
في 0 قنوات
Get PRO
يونيو '21
+230
في 0 قنوات
Get PRO
مايو '21
+119
في 0 قنوات
Get PRO
أبريل '21
+84
في 0 قنوات
Get PRO
مارس '21
+87
في 0 قنوات
Get PRO
فبراير '21
+107
في 0 قنوات
Get PRO
يناير '21
+160
في 0 قنوات
Get PRO
ديسمبر '20
+2 569
في 0 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 04 سبتمبر | 0 | |||
| 03 سبتمبر | +3 | |||
| 02 سبتمبر | +3 | |||
| 01 سبتمبر | +4 |
منشورات القناة
Repost from Machinelearning
✔️ 24 августа в ChatGPT появится реклама для европейских пользователей
OpenAI начнет показывать рекламу пользователям из 31 европейской страны. Блоки будут только на тарифах Free и Go, платные подписки их не увидят. В США и еще восьми регионах рекламная платформа работает с февраля 2026 года.
Деньги от рекламы, по словам компании, пойдут на поддержку бесплатного доступа к моделям. OpenAI обещает помечать объявления, не давать им влиять на ответы модели, не показывать рекламодателям содержание чатов и не продавать данные пользователей третьим лицам.
Заявки на размещение бизнес уже может подавать здесь.
openai.com
✔️ Cerebras показала стоечный ускоритель CS-4
На конференции Supernova в Сан-Франциско Cerebras Systems представила CS-4. По заявлению компании, система до 30 раз быстрее кластеров на GPU Nvidia и AMD.
Производительность - 750 PFLOPS, в основе три процессора Wafer-Scale Engine нового поколения. Пропускная способность памяти 129,6 ПБ/с, скорость ввода-вывода 7,2 Тбит/с.
По сравнению с CS-3 производительность выросла вдвое, а памяти на каждый потребляемый ватт стало в 10 раз больше.
Первым заказчикам CS-4 начнут отгружать в текущем квартале.
cerebras.ai
✔️ Китай разрешил ввозить ограниченные партии Nvidia H200
Пекин смягчил собственные ограничения на ввоз ИИ-ускорителей - ByteDance и Tencent получили разрешения примерно на 10 000 чипов H200 каждая, следующие компании стоят в очереди.
Со стороны США ограничения ослабли раньше - Вашингтон предварительно согласовал продажу в Китай до 100 000 чипов на корпорацию.
Nvidia зарезервировала под китайских заказчиков около 500 000 H200, а производители серверов снова принимают заявки на машины с этими ускорителями.
ft.com
✔️ Власти США предупредили об атаках на промышленные контроллеры скриптами, написанными ИИ
CISA, ФБР, АНБ и еще два ведомства выпустили совместное предупреждение об атаках на программируемые логические контроллеры Siemens S7. По их данным, уязвимые устройства ищут и взламывают скриптами, которые сгенерировал ИИ.
Код собран на открытых библиотеках автоматизации и притворяется легитимным инструментом мониторинга. Он позволяет менять конфигурацию контроллера, читать и записывать его память.
По оценке ведомств, ИИ снизил порог входа для атак на промышленные объекты - электростанции, заводы и коммунальные системы. Нынешние вторжения выглядят как разведка, но со временем те же приемы могут пойти на остановку производств и отключение систем безопасности.
Рекомендации стандартные: обновить прошивки контроллеров и полностью убрать их из интернета.
cisa.gov
✔️ Физики передали квантовую запутанность на 420 км
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
Работа опубликована в Physical Review Letters.
cas.cn
@ai_machinelearning_big_data
#news #ai #ml
| 2 | KDD 2026: что происходит с рекомендательными системами
Рекомендательные системы постепенно становятся заметно сложнее обычного «предскажем следующий клик». На KDD 2026 AI VK Research представила две работы, которые хорошо это доказывают.
Обе посвящены разным этапам recommendation pipeline, но объединяет их общий сдвиг: модель рассматривает рекомендации не как набор независимых предсказаний, а как последовательность действий.
Интересно было посмотреть, какие ещё темы оказались в центре внимания KDD и что сейчас происходит с research в recsys. | 1 167 |
| 3 |  +2Generalist AI представила GEN-1.5 - foundation model для роботов, которая умеет учиться новому физическому действию по одному короткому примеру, без дообучения.
Модели показывают действие длиной всего 3–12 секунд, после чего робот сразу пытается выполнить его сам. В тестах на 10 разных задачах такой one-shot подход дал в среднем 59% успешных выполнений.
Если дать модели 5 минут демонстраций и всего 10 шагов градиентного обучения, результат поднимается до 83%.
Есть и более странные примеры. GEN-1.5 умеет соединять два отдельных навыка в один сценарий, переносить демонстрацию из симуляции на реального робота и в некоторых случаях повторять действие, которое человек показал руками прямо перед камерой.
Модель также импровизирует: например, вместо щётки может использовать банан, чтобы сдвинуть предмет, или придумать другой способ работы с совком.
Пока задачи короткие и показатели далеко не идеальны. Но направление интересное: роботов постепенно начинают не программировать под каждый новый сценарий, а просто показывать им, что нужно сделать.
https://generalistai.com/blog/gen-1.5 | 963 |
| 4 |  📢 Исследователи AI VK Research научили двухбашенный трансформер над историей оптимизировать удовлетворённость пользователя за всю сессию. Работа принята на воркшоп конференции KDD 2026, которая проходит сейчас в Южной Корее.
Большинство современных рекомендательных моделей решает локальную задачу — предсказать следующее взаимодействие или следующий положительный фидбэк. Мы сформулировали задачу как RL на уровне сессии и обучили кандидатогенератор через off-policy REINFORCE на логах.
На индустриальных данных такая модель выигрывает у next-item и next-positive prediction по всем оценкам награды за сессию, сохраняя качество кандидатогенерации по recall-метрикам.
➡️ Подробнее в статье на Хабре.
#aivkhub #ml #recsys | 1 816 |
| 5 |  +1🚨 Цукерберг опубликовал большой текст о будущем ИИ - и его позиция довольно жёсткая: сверхинтеллект не должен принадлежать нескольким закрытым лабораториям.
Главные тезисы:
- задержка релиза американских моделей даже на месяц может ослабить лидерство США;
- самоулучшающийся ИИ теоретически способен в разы повысить эффективность вычислений;
- «единого доброжелательного сверхинтеллекта» не существует;
- опаснее всего сценарий, где несколько лабораторий создают самые мощные модели и оставляют их только себе;
- frontier-лаборатории, по его мнению, должны заранее передавать государству промежуточные чекпоинты для проверки.
Мощный ИИ должен распространяться шире, а контроль - строиться не через тотальное закрытие моделей, а через прозрачность и проверку.
#AI #LLM #OpenSource #Superintelligence | 1 877 |
| 6 |  История кликов, просмотров и действий пользователя сама по себе мало что даёт. Гораздо интереснее — собрать всё это в единое представление его интересов.
Именно такой подход разобрали в VK: трансформерная модель строит нейропрофиль пользователя на сигналах из разных сервисов.
В статье — токенизация событий, временные и контентные признаки, attention, двухбашенная архитектура и обучение на больших каталогах. | 1 605 |
| 7 |  ✔️ Firecrawl открыла один из самых быстрых PDF-парсеров
Компания выложила в open source pdf-inspector - библиотеку на Rust, которая превращает PDF в Markdown, сохраняя структуру документа, заголовки и таблицы.
По заявленным тестам, обработка одной страницы занимает около 0,002 секунды, а набор из 200 PDF был пройден примерно за 2,8 секунды.
Главное здесь не одна скорость: парсер старается сохранить исходную логику документа, поэтому результат удобнее сразу отдавать в RAG, поиск, анализ или пайплайн подготовки данных.
Проект полностью открыт.
https://github.com/firecrawl/pdf-inspector
@rust_code | 2 143 |
| 8 |  Andrej Karpathy just dropped 12-page PDF on "Graph Engineering" for multi-agentic systems
the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever
here's the full system:
step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours
step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts
step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs
step 4 → ground your evaluator: it checks claims against graph edges, not vibes
step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight
step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session
Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture
https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view | 3 088 |
| 9 |  Google Research попыталась объяснить, откуда у diffusion-моделей берётся «креативность».
Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?
Ответ оказался математическим.
Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.
Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.
Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.
В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.
То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.
Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.
Работа представлена на ICLR 2026, код экспериментов опубликован открыто.
https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/ | 3 214 |
| 10 | Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом aikarpov20 — скидка 20%
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd | 2 260 |
| 11 | Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом aikarpov20 — скидка 20%
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd | 1 956 |
| 12 |  Most upvoted papers on huggingface this week (July 6-12):
- The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
- Vidu S1: A Real-Time Interactive Video Generation Model
- RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
- AlayaWorld: Long-Horizon and Playable Video World Generation
- Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning
- RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation
- OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers
- UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning
- Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling
- PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space
https://huggingface.co/papers/week/2026-W28 | 2 025 |
| 13 |  ✔️ Dockerless
Environment-free verifier для coding-агентов.
Он проверяет патчи без запуска кода и без Docker, при этом обгоняет сильнейший open-source verifier на 14.3 AUC points.
А RL post-training полностью без окружения достигает 62.0% на SWE-bench Verified.
https://paperswithcode.co/paper/2606.28436 | 2 703 |
| 14 |  🙂 In the Weights: проверка тщеславия
В сети вирусится веб-приложение In the Weights, которое проверяет наличие информации о человеке или компании в GPT, Claude, Gemini и Llama и т.д.
Платформа работает через прямые запросы к моделям с принудительно отключенным доступом к сети, чтобы ИИ опирался исключительно на знания, полученные на трейне.
Анализируя выдачу, система высчитывает скоринг. Метрика оценивает вероятность того, что информация об объекте содержалась в обучающих датасетах и содержится в конкретной модели.
Помимо развлекательных целей, проект является наглядным аудитом того, как корпорации агрессивно скрейпят данные.
По мере того как чат-боты вытесняют поисковики, присутствие в памяти моделей становится новой метрикой публичной значимости.
Сервис напоминает о новых реалиях современной приватности: если информация о вас уже есть в весах LLM, стереть ее цифровой след практически невозможно.
@ai_machinelearning_big_data
#news #ai #ml | 2 758 |
| 15 |  МФТИ при поддержке Т-Банка открывает набор в очную магистратуру по направлениям AI и Computer Science.
Программа рассчитана на тех, кто хочет совмещать обучение с исследовательской работой и практикой в индустриальных задачах.
Студенты будут работать в научной лаборатории, участвовать в исследованиях и развивать проекты, которые могут лечь в основу публикаций, докладов на конференциях или дальнейшей карьеры в R&D.
Что входит в программу:
* обучение в МФТИ
* работа в научной лаборатории
* официальное трудоустройство и зарплата
* задачи на стыке AI, Computer Science и индустриальной практики
* возможность продолжить путь в аспирантуре, R&D или AI-центре Т-Банка
Магистратура длится 2 года.
Нагрузка: 52 часа в неделю.
* 30 часов: работа в лаборатории
* 22 часа: лекции и занятия в университете
Заявки принимаются до 6 июля. | 1 617 |
| 16 |  +1Эксклюзив: DeepSeek был только началом
Microsoft сейчас оценивает множество open models для Copilot Cowork.
> Это создаёт внутреннее давление на команды MAI, потому что модели GLM, MiniMax и Kimi развиваются быстрее.
> Microsoft хочет сделать модели «взаимозаменяемыми» и отделить саму обвязку Copilot от конкретных моделей под капотом.
> По мере развития малых моделей часть задач в будущем может выполняться локально.
Смысл простой: Microsoft всё меньше хочет быть жёстко привязана к одной модели или одному поставщику. Copilot постепенно превращается в систему, где важнее не конкретная LLM, а harness, маршрутизация задач, инструменты и возможность быстро менять модели под разные сценарии.
https://www.testingcatalog.com/exclusive-microsoft-evaluates-different-open-models-for-cowork/ | 2 327 |
| 17 | МФТИ при поддержке Т-Банка открывает набор в очную магистратуру по направлениям AI и Computer Science.
Программа рассчитана на тех, кто хочет совмещать обучение с исследовательской работой и практикой в индустриальных задачах.
Студенты будут работать в научной лаборатории, участвовать в исследованиях и развивать проекты, которые могут лечь в основу публикаций, докладов на конференциях или дальнейшей карьеры в R&D.
Что входит в программу:
* обучение в МФТИ
* работа в научной лаборатории
* официальное трудоустройство и зарплата
* задачи на стыке AI, Computer Science и индустриальной практики
* возможность продолжить путь в аспирантуре, R&D или AI-центре Т-Банка
Магистратура длится 2 года.
Нагрузка: 52 часа в неделю.
* 30 часов: работа в лаборатории
* 22 часа: лекции и занятия в университете
Заявки принимаются до 6 июля. | 1 |
| 18 | D | 1 |
| 19 |  Код на скорости: митап про производительность, ИИ-агенты и бизнес-процессы в Омске! ⚡️
Встречаемся уже 28 мая, чтобы разобраться:
✔️ Как выкрутить на максимум производительность продукта без больших затрат. Спойлер: помогут виртуальные потоки и корутины (можно сделать скрытым текстом).
✔️ Как создать ИИ-агента, который анализирует сбои и борется с мошенничеством.
✔️ Как моделировать процессы в BPMN так, чтобы минимизировать ошибки.
В финале митапа — крутой «мафиозно-квизный» нетворкинг.
Дата: 28 мая в 18:00
Место: Школа 21 (ул. Ленина, д. 26Б)
Регистрация: здесь! | 2 827 |
| 20 |  Coinbase сокращает около 700 человек - это примерно 14% штата.
CEO Coinbase Брайан Армстронг объясняет это просто: компания хочет стать меньше, быстрее и эффективнее, потому что ИИ уже позволяет небольшим командам делать то, для чего раньше требовалось больше людей.
Coinbase не единственная. Технокомпании всё чаще упаковывают сокращения не только в историю про рынок, но и в историю про AI-native операционку.
Похоже, главный эффект ИИ для бизнеса оказался не в красивых демках, а в очень скучной строке P&L: меньше людей, меньше затрат, быстрее выполнение задач.
bloomberg.com/news/articles/2026-05-05/coinbase-to-cut-14-of-workforce-citing-volatile-markets-ai | 3 199 |
