Машинное обучение RU

Title: SIA: Self Improving AI with Harness & Weight Updates В этой работе показали, что ИИ лучше улучшает сам себя, когда меняет не только обвязку вокруг агента, но и обновляет модель. Проблема в том, что прогресс ИИ до сих пор сильно зависит от людей: они вручную правят промпты, инструменты, код, данные для обучения и веса модели. Авторы предлагают SIA - цикл, где один ИИ наблюдает за работой task-agent, а затем улучшает либо его внешнюю настройку, либо саму модель. Внешняя настройка -это промпты, инструменты, правила повторных попыток, парсинг ответа и прочая обвязка. Обновление весов - это изменение поведения модели на основе обратной связи по задаче. Работает это так: агент пробует много ответов или программ, верификатор оценивает результат, а эти оценки превращаются в обучающий сигнал. После этого система обновляет небольшой набор дополнительных весов LoRA. Это меняет поведение модели без полного переобучения. Базовая модель почти не трогается, но LoRA-адаптер постепенно учится: такие ответы давали высокий reward, а такие проваливались. Авторы проверили подход на трёх разных задачах: классификация обвинений в китайском праве, ускорение GPU kernel-кода и denoising single-cell RNA. Комбинированная версия обошла вариант, где улучшали только обвязку: 70.1% на LawBench, более быстрый GPU-код, чем у предыдущего лучшего решения, и 0.289 на задаче denoising. Интересный вывод: хорошая обвязка помогает агенту действовать лучше, но обновление весов помогает ему выучить паттерны задачи, которые одними промптами и инструментами не находятся. arxiv. org/abs/2605.27276

ИИ-блогеры после выхода Claude Fable 5

⚡️ Wasserstein Learning Theory: когда ИИ учится сравнивать не точки, а целые распределения В машинном обучении всё чаще важен не один конкретный пример, а то, как устроены данные целиком. Например, модель обучали на одном распределении картинок, текстов или действий, а в реальности она получает немного другие данные. Обычная метрика может сказать: “распределения отличаются”. Wasserstein-подход показывает глубже: насколько далеко одно распределение нужно “перенести”, чтобы оно стало похоже на другое. Идея пришла из оптимального транспорта. Представьте две кучи песка: одна форма - это первое распределение, другая второе. Расстояние Вассерштейна считает минимальную работу, которую нужно сделать, чтобы переложить песок из первой формы во вторую. Почему это важно для ML: * помогает анализировать сдвиг данных * полезно для domain adaptation * даёт инструменты для устойчивого обучения * применяется в генеративных моделях * помогает изучать обобщение нейросетей * используется в reinforcement learning В отличие от KL-дивергенции, Wasserstein distance учитывает геометрию пространства. Поэтому два распределения могут отличаться не просто “сильно” или “слабо”, а с учётом того, где именно находятся эти различия. На практике это важно там, где модель должна быть устойчивой: новые домены, шумные данные, генерация, перенос знаний, обучение агентов. Wasserstein Learning Theory даёт более точный язык для современной ML-задачи: не просто подогнать модель под датасет, а понять, как она ведёт себя при изменении распределения данных.

Claude 5 Fable - кратко: - почти на всех проверенных бенчмарках модель показывает уровень SOTA - особенно сильна в разработке, работе со знаниями, vision-задачах и научных исследованиях - чем длиннее и сложнее задача, тем сильнее Fable 5 отрывается от других моделей Claude - модель эффективнее расходует токены, чем прошлые версии Claude - Fable 5 удерживает фокус на задачах длиной в миллионы токенов и улучшает результат, используя собственные заметки Fable 5 - это не просто «лучше бенчмарки». Она эффективнее, дольше работает без потери контекста, лучше управляет длинными задачами и даёт больше возможностей для сложных агентных сценариев. GPT-5.6 уже близко. Интересно, выпустит ли OpenAI свой аналог Mythos. Во время раннего тестирования Stripe заявила, что Fable 5 сжала месяцы инженерной работы до нескольких дней. В Ruby-кодовой базе на 50 млн строк модель за один день провела миграцию по всему репозиторию - работу, которая вручную заняла бы у целой команды больше двух месяцев. https://www.anthropic.com/news/claude-fable-5-mythos-5

20 июня – Летняя школа ШЕН Центрального университета Хочешь узнать, как применять математику, код и машинное обучение в биологии и медицине, но не понимаешь, с чего начать? Приглашаем на Летнюю школу программы «ИИ в биотехе» Школы естественных наук Центрального университета! Программа реализуется совместно с инженерной школой и факультетом биоинженерии и биоинформатики МГУ, а также индустриальными партнёрами: Genotek и BIOCAD. Что будет на Летней школе: — Узнаешь, как ИИ меняет биотех: от анализа геномов до дизайна лекарств с помощью нейросетей; — Послушаешь лекции от ведущих экспертов: Дмитрия Пензара, Александра Ракитько, Александра Надолинского и победителя конкурса «Биомолекула» Андрея Кузнецова; — Познакомишься с магистерской программой «ИИ в биотехе»: направления подготовки, курсы, преподаватели, карьерные перспективы; — Примешь участие в квестах и получишь шанс выиграть фаст-трек на грант до 75% от стоимости обучения. Фаст-трек – это возможность поступить в магистратуру, минуя онлайн-контест: достаточно пройти собеседование и ревью анкеты. Как попасть на Летнюю школу? Регистрация по ссылке. Отбор участников – до 15 июня. Результаты пришлём на почту. Место проведения: кампус Центрального университета, м. Маяковская, ул. Гашека, 7 Ждём тебя на Летней школе «ИИ в биотехе»!

WSJ пишет, что OpenAI сделала первый официальный шаг к IPO. Компания конфиденциально подала черновые документы для выхода на биржу. Конфиденциальная форма S-1 позволяет OpenAI начать проверку в SEC, не раскрывая сразу выручку, убытки, структуру клиентов, расходы на вычисления и зарплаты руководителей. Так компания может готовиться к листингу, сохраняя чувствительные цифры закрытыми. На прошлой неделе Anthropic уже подала свои конфиденциальные документы для IPO. Поэтому это больше не только гонка моделей, а ещё и гонка капитала между лабораториями, которым нужно финансировать следующее поколение ИИ-инфраструктуры. wsj.com/tech/ai/openai-kicks-off-ipo-process-in-test-of-investor-appetite-for-top-ai-labs-eb7bebe1

✔️ OpenAI переделает ChatGPT в суперприложение В ближайшие недели компания проведёт первый крупный редизайн ChatGPT с 2022 года. Сервис трансформируется из диалогового чат-бота в платформу автономных агентов. Обновлённый интерфейс интегрирует партнёрские сервисы для самостоятельного выполнения многошаговых задач без дополнительных промптов и переключения между приложениями. Смена курса обусловлена низкой рентабельностью чат-бота. Перед IPO OpenAI смещает фокус на B2B-сегмент и реструктуризирует продуктовые команды. Бизнес-модель переориентируется на корпоративных клиентов со стабильной монетизацией по аналогии со стратегией Anthropic. ft.com ✔️ Инженер из аппаратного подразделения OpenAI перешёл в Anthropic Anthropic наняла бывшего инженера OpenAI Клайва Чана для разработки собственных ИИ-чипов. До этого у компании не было профильного аппаратного подразделения. В OpenAI Чан проектировал кастомный кремний и участвовал в партнёрстве с Broadcom. До этого он разрабатывал чипы для обучения ML-моделей в Tesla Autopilot, где отвечал за архитектуру дата-центров и энергоэффективные вычисления. Найм Чана должен помочь Anthropic сформировать команду аппаратных инженеров. Переход на собственное железо планируется для снижения себестоимости вычислений и повышения маржинальности. Clive Chan в сети Х ✔️ TSMC испытывает дефицит производственных мощностей Google заказала у Intel производство более 3 млн TPU на 2028 год. Nvidia пока не заключила контракт, но тестирует техпроцессы Intel для будущей GPU-архитектуры Feynman. Причина переноса заказов - из-за нехватки производственных линий у TSMC. Глава TSMC подтвердил, что индустрия не сможет покрыть спрос на ИИ-чипы в ближайшие несколько лет. Дефицит позволил Intel привлечь новых клиентов на фоне прошлых финансовых убытков и срывов дедлайнов. Параллельно SK Hynix проверяет совместимость своей памяти с новыми технологиями упаковки Intel. theinformation.com ✔️ Sakana AI займётся алгоритмической эволюцией ИИ Японский стартап открыл исследовательскую лабораторию рекурсивного самосовершенствования (RSI). Цель - создание сетей, которые итеративно переписывают, тестируют и оптимизируют собственный код. Компания рассчитывает, что алгоритмическая эволюция позволит отказаться от парадигмы масштабирования вычислений. В портфеле стартапа уже есть система LLM-Squared, где одни LLM создают алгоритмы обучения для других, и платформа AI Scientist, автоматизирующая научные исследования. Следующий этап дорожной карты Sakana AI - разработка автономных агентов, способных улучшать свою архитектуру без участия человека. sakana.ai ✔️ Динамический биллинг лишил 74% бизнеса контроля над ИИ-бюджетами По данным неопубликованного отчета KPMG, только 26% компаний полностью контролируют свои расходы на ИИ. 50% ведут ограниченный мониторинг, а 22% узнают о затратах постфактум из выставленных счетов. Причина - неготовность финансовых отделов к токенизированному биллингу и динамическому ценообразованию. Из-за непрогнозируемой нагрузки потребление ресурсов в отдельных проектах возрастает до 6 раз. Это приводит к исчерпанию годовых бюджетов на облачные вычисления и API за несколько месяцев. По итогам текущего квартала ожидается пересмотр расходов после получения бизнесом реальных счетов от ИИ-провайдеров. Текущую ситуацию сравнивают с закупками облачных мощностей во время пандемии, за которыми последовало сокращение инфраструктурных бюджетов. wsj.com @ai_machinelearning_big_data #news #ai #ml

Как не потеряться в потоке кандидатов? На каждую DS-вакансию десятки откликов, а работодатели становятся разборчивее: хотят не только технические навыки, но и понимание бизнеса, умение решать реальные задачи. 11 июня в 19:00 Вера Коливерда, старший аналитик данных Райффайзен Банка и преподаватель НИУ ВШЭ, расскажет, какие навыки востребованы в аналитике в 2026 году и как выстроить траекторию. На бесплатном вебинаре разберем задачу предсказания оттока - реальный кейс: сегментация клиентов и алгоритмы ML без учебных датасетов. Подойдет тем, кто входит в DS или хочет структурировать знания для уверенного старта на рынке/ Присоединяйтесь к эфиру 11 июня в 19:00 по ссылке: https://clc.to/erid_2W5zFG65QBs Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFG65QBs

Rust теперь можно компилировать в JVM bytecode. rustc_codegen_jvm - экспериментальный backend для компилятора Rust, который берёт Rust MIR и превращает его в .class файлы, а затем собирает runnable .jar под JVM 8+. Что уже заявлено: - генерация исполняемого .jar - поддержка базового core - if/else, match, for, while, loop - structs, tuples, arrays, slices, enums - traits, closures, dynamic dispatch - function pointers, recursion, generics - часть unsafe, включая unions - оптимизации вроде constant folding, propagation и dead code elimination Пайплайн выглядит так: Rust frontend → MIR → OOMIR → JVM classfile → R8 → .jar https://github.com/IntegralPilot/rustc_codegen_jvm

Liquid AI выпустили две компактные модели под японский язык: речевую LFM2.5-Audio-1.5B-JP и языковую LFM2.5-1.2B-JP-202606. Самое интересное здесь - речевая модель. LFM2.5-Audio-1.5B-JP умеет принимать японскую речь и отвечать японской речью напрямую. Это не связка из ASR + LLM + TTS, а единая end-to-end модель для полного речевого цикла. Что заявляют по LFM2.5-Audio-1.5B-JP: - 1.5B параметров - первая японская speech-to-speech модель Liquid AI - превосходит J-Moshi примерно на 77B параметров - показывает уровень, близкий к Qwen2.5-Omni-3B - подходит как базовая модель для дальнейшего дообучения Вторая модель - LFM2.5-1.2B-JP-202606, обновлённая японская LLM на 1.2B параметров. Предыдущая версия уже обходила Qwen3-1.7B и Llama 3.2 1B на JMMLU, M-IFEval и GSM8K. В новой версии улучшили смесь японских данных, промежуточное обучение и пост-тренинг. https://huggingface.co/LiquidAI/LFM2.5-Audio-1.5B-JP https://huggingface.co/LiquidAI/LFM2.5-1.2B-JP-202606

🚀 GPU-библиотека для классического машинного обучения FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения. 🚀Основные моменты: - Поддержка 15 высокоуровневых примитивов для машинного обучения. - Информативный API для оценки производительности операций. - Оптимизированные реализации для кластеризации, регрессии и декомпозиции. - Легкая интеграция с PyTorch и sklearn. 📌 GitHub: https://github.com/FlashML-org/flashlib #python

🚀 Упрощение разработки с GSD Redux GSD Redux — это легковесная система для метапромптинга и управления контекстом, помогающая разработчикам эффективно работать с AI. Она решает проблему деградации качества контекста, позволяя создавать четкие спецификации и контролировать процесс разработки. 🚀 Основные моменты: - Легкая интеграция с различными AI-платформами. - Поддержка автоматизации разработки и управления проектами. - Обеспечивает безопасность и прозрачность через аудит. - Подходит для индивидуальных разработчиков и небольших команд. 📌 GitHub: https://github.com/open-gsd/get-shit-done-redux #javascript

⚡️ Сэм Альтман подтвердил возвращение OpenAI к разработке воплощенного ИИ Проект вырос из исследований по симуляции физического мира, к которым присоединилась команда видеогенератора Sora. На начальном этапе компания сосредоточится на разработке специализированных машин для помощи в строительстве инфраструктуры.   Конечная цель проекта - обеспечить каждого человека персональным роботом, способным выполнять любые бытовые и рабочие поручения. В 2020 году компания закрыла предыдущие проекты в робототехнике из-за дефицита обучающих данных. Для перезапуска направления OpenAI открыла наем инженеров по аппаратному обеспечению, системной интеграции и ML. Возвращение связано с развитием воплощенного ИИ: взаимодействие алгоритмов с физической средой позволит собрать массивы данных, необходимых для обучения AGI. @ai_machinelearning_big_data #news #ai #ml

VINS-120K - полезный датасет для следующего этапа image editing моделей: редактирование изображений в 4K+ без развала мелких деталей. Сейчас многие модели неплохо правят обычные картинки, но на сверхвысоком разрешении быстро всплывают проблемы: текстуры мажутся, локальные правки портят соседние области, а результат выглядит хорошо только после уменьшения. Для реального продакшена этого мало. VINS-120K закрывает именно этот разрыв. В датасете 120 тысяч троек: инструкция, исходное изображение и отредактированная версия. Все изображения выше 4K, данные собраны из реальных видео высокого разрешения и качественных открытых источников, затем отфильтрованы по визуальному качеству, соответствию инструкции и эстетике. Покрытие тоже широкое: 13 типов редактирования в 4 категориях - локальные правки, глобальные изменения, движение камеры и персонализированная генерация. Paper: https://modelscope.ai/papers/2605.23518 Dataset: https://modelscope.cn/datasets/vivo/VINS-120K

Устал инициализировать претрейны весами Qwen? Приходи к нам — мы честно учим с нуля! 😉 Ищем Senior/Senior+ AI Engineer и продактов в RnD-команду: как отдельных специалистов, так и целые команды, — которые готовы разрабатывать прорывные AI-решения. Познакомиться ближе с нашими направлениями и оставить отклик можно на сайте. А если хотите следить за тем, как команда RnD ML Сбера исследует и разрабатывает AI-технологии, — подписывайтесь на Telegram-канал команды. Там делятся исследованиями, экспериментами и инсайтами из мира AI, а также свежими вакансиями 🚀

PaddleOCR-VL 1.6 официально вышел PaddlePaddle выпустили PaddleOCR-VL 1.6 - новую версию модели для распознавания документов. Результат: 96.33% на OmniDocBench. Это новый SOTA, причём модель обошла как open-source, так и закрытые решения в распознавании текста, формул и таблиц. Что улучшили: - первое место на OmniDocBench v1.5 и Real5-OmniDocBench - заметно лучше распознаёт таблицы, обычный текст и редкие символы - улучшено распознавание печатей, отдельных фрагментов и графиков - полная совместимость с архитектурой v1.5 - миграция не нужна - можно подключать как plug-and-play Где это полезно: - финансовые контракты - юридические документы - исследовательские отчёты - исторические архивы - RAG-пайплайны - подготовка качественных данных для LLM https://github.com/PaddlePaddle/PaddleOCR #PaddlePaddle #PaddleOCR #AI #ComputerVision

🖥 Python в 2026 - уже не просто «первый язык программирования». Это инструмент, с которым можно автоматизировать задачи, писать скрипты, собирать проекты, работать с данными, делать ботов и использовать ИИ как ускоритель разработки. Но есть проблема: большинство новичков учат Python кусками. Немного синтаксиса, пару задачек, немного теории - и потом ступор: «а что с этим делать дальше?» Этот курс сделан иначе. Здесь упор на реальную практику: вы не просто смотрите уроки, а постепенно учитесь писать код, разбирать ошибки, собирать рабочие решения и понимать, как Python применяется в нормальных задачах. Что внутри: - Python с нуля понятным языком - практика вместо бесконечной сухой теории - реальные задачи и проекты - автоматизация рутины - работа с файлами, данными и API - понятная логика программирования - современный подход к разработке с ИИ - отдельный акцент на вайбкодинг Вайбкодинг -это умение правильно ставить задачу, проверять код, понимать результат и ускорять работу без слепого копирования. В 2026 году это уже не бонус, а нормальный навык разработчика. Сегодня скидка 60 процентов: https://stepik.org/course/288218/info

🐍 Python Roadmap 2026: наконец-то полноценная актуальная карта изучения Python, а не список ссылок «разберись сам» На GitHub выложили большой русскоязычный роадмап по Python на 2026 год - от первых скриптов до уровня Middle+/Senior. Маршрут собран под современный Python: - Python 3.13+ - free-threaded mode без GIL - JIT - uv вместо боли с pip/venv/poetry - ruff, pyright, pytest, hypothesis - async-first подход - типизация - CPython внутри - web, базы, ML/AI, DevOps и архитектура В роадмапе есть нормальная последовательность: сначала окружение и база, потом идиомы, ООП, типы, стандартная библиотека, асинхронность, тестирование, внутренности CPython, web, базы данных, AI-направление, продакшн и архитектура. Отдельный плюс - практический формат. На каждом этапе есть задачи, чеклисты, примеры кода и бесплатные ресурсы. То есть это не мотивационная простыня, а маршрут, по которому реально можно идти несколько месяцев и видеть прогресс. Для новичков - понятный путь без хаоса. Для джунов - способ закрыть дыры. Для тех, кто уже пишет на Python - хороший чеклист, чтобы понять, где ты всё ещё плаваешь. Python в 2026 году - это tooling, типы, async, инфраструктура, AI и продакшн-дисциплина. И этот роадмап как раз про такой Python. https://github.com/justxor/pythonroamap2026

Я Наша подписка на Claude истекла. Начальник: Давай создадим нашего собственного Claude, чтобы снизить затраты для нашего стартапа?

✔️ MiniMax показали тизер Sparse Attention для M3. На 1M токенов - 9.7x ускорение префилла и 15.6x на декоде против M2. В марте их лид по претрейну писал, почему для M2 откатились на full attention: эффективные варианты не были готовы к проду. Спустя полгода готовы. Схема двухстадийная. Сначала лёгкая index-ветка выбирает релевантные блоки KV. Дальше sparse attention считается только по ним, а не по всему контексту. Дешёвый 1M-контекст в опенсорсе - это другой режим работы с длинным контекстом и другая экономика инференса для агентов. Ждём техрепорт и замеры качества. Ну и приятно, что всё это в опенсорсе. https://x.com/MiniMax_AI/status/2059286515155599595 #MSA #OpenSource #M3