Анализ данных (Data analysis)

🔥 DR Tulu‑8B - открытая модель глубокого научного анализа, способная конкурировать с OpenAI DR, и всё это при размере всего 8B параметров! В чём секрет? Новый подход - Reinforcement Learning with Evolving Rubrics (RLER) для длинных, непроверяемых задач. 💡 Вместо статичных оценок: • Рубрики эволюционируют вместе с моделью • Используют знания из поиска • Извлекают новую информацию прямо в процессе обучения 📊 Результаты: • DR Tulu‑8B сопоставим с OpenAI DR • Превзошёл все open-source DR-модели • Стоимость — ~$0.00008 за запрос (против >$1 у OpenAI) 💥 Обучение в два этапа: SFT → RL Тест на 4 сложных бенчмарках и новый медицинский GeneticDiseasesQA (в сотрудничестве с клиницистами) — результат лучше, чем у OpenAI DR и AI2 ScholarQA (Claude). Открытая методика, реальный импакт. ИИ, который *сам учится исследовать*. - Paper: http://allenai-web/papers/drtulu - Data & Model: https://huggingface.co/collections/rl-research/dr-tulu - Code: https://github.com/rlresearch/dr-tulu

Gelato - библиотека для управления вычислительными графами в ML Проект Gelato от mlfoundations - это минималистичная библиотека, которая помогает собирать, анализировать и оптимизировать вычислительные графы в машинном обучении. Она упрощает разбор сложных пайплайнов, позволяет визуализировать зависимости и управлять вычислениями на уровне узлов. Особенности: - понятное представление графа любой ML-модели - удобные инструменты для модификации, оптимизации и анализа - подходит для экспериментов с новым дизайном моделей и кастомными связями - лёгкая интеграция в существующие проекты Полезна, если вы работаете с нетривиальными архитектурами, хотите экспериментировать с изменением структуры модели или анализировать узкие места в вычислениях. 💥 Blog: https://github.com/mlfoundations/Gelato 🍨Gelato-30B-A3B (Model): https://huggingface.co/mlfoundations/Gelato-30B-A3B 🖱️Click-100k (Data): https://huggingface.co/datasets/mlfoundations/Click-100k

5 ФАТАЛЬНЫХ ОШИБОК В ГРАФИКАХ, КОТОРЫЕ ПОДРЫВАЮТ ДОВЕРИЕ К ВАШЕМУ АНАЛИЗУ Забирайте гайд с разбором основных ошибок в канале Сделай это красиво. Автор — Алексей Смагин, дата-журналист и аналитик Яндекса. ГАЙД ПОДОЙДЁТ: — аналитикам данных и продуктовым аналитикам — научным сотрудникам и исследователям — руководителям, которые работают с отчётностью — всем, кто делает презентации с графиками Умение анализировать — это круто. Но заказчики не видят вашу работу, они видят итоговые выводы. А от их оформления зависит, оценят ли результат. Научиться делать графики — это быстро и легко. Достаточно исключить базовые ошибки — и ваша инфографика сразу будет выглядеть профессиональнее. Подписывайтесь и забирайте гайд в закрепе: https://t.me/+MrupeY943_QwNzZi

⚡️ Helion - новый высокоуровневый DSL для быстрых и переносимых ML-ядер Helion - это DSL внутри Python, который компилируется в оптимизированные Triton-ядра. Он сочетает привычный стиль PyTorch с автоматическим тюнингом, давая разработчикам производительные и переносимые ядра под разные архитектуры. Что делает Helion полезным: - Автоматически обрабатывает индексацию тензоров - Управляет памятью и оптимальными доступами - Подбирает настройки под конкретное железо - Позволяет писать ядра на уровне «как в PyTorch», а получать код уровня Triton Итог: разработчик пишет минимум — Helion делает максимум, превращая простое описание вычислений в эффективно оптимизированное ядро. Подробнее в блоге PyTorch: pytorch.org/blog/helion/

Конференция AI Driver & RecSys Темы — пространство, где наука и бизнес встречаются, чтобы обсудить будущее рекомендаций ⚡️ 28 ноября пройдёт конференция о том, как создаются и развиваются современные рекомендательные системы. На площадке Сбера соберутся эксперты топовых российских IT-компаний и вузов, чтобы обсудить новые исследования, открытые датасеты и практические решения, которые меняют подход к персонализации. Это возможность за один день познакомиться с ключевыми трендами RecSys, пообщаться со специалистами и вдохновиться идеями, формирующими будущее рекомендаций. Присоединяйтесь к профессиональному сообществу 28 ноября в 10:00 — регистрация по ссылке!

Утекли бенчмарки Gemini 3.0 Pro от taker_of_whizz —пока не можем подтвердить подлинность, но цифры просто безумные. Результаты разрывают всё, что мы видели раньше: 🔥 HLE: 37,5% 🔥 MathArena Apex: 22,3% (для сравнения — **GPT-5.1 всего 1,0%**) Если утечка реальна, Gemini 3.0 Pro именно такой, каким все его и хотели видеть — мощный, продвинутый и с невероятным ростом математических и логических способностей. Ждём официального подтверждения, но выглядит *очень* многообещающе. https://storage.googleapis.com/deepmind-media/Model-Cards/Gemini-3-Pro-Model-Card.pdf

🚀 Построение многоагентных систем с Laddr Laddr — это фреймворк на Python для создания масштабируемых многоагентных систем, где агенты могут общаться, делегировать задачи и выполнять работу параллельно. Он предлагает гибкие архитектурные решения с поддержкой наблюдаемости и горизонтального масштабирования. 🚀Основные моменты: - Модели работы: координация и последовательные потоки. - Высокая производительность с автоматическим балансировкой нагрузки. - Полная трассировка действий агентов и интерактивная панель мониторинга. - Легкость в разработке с чистым CLI и поддержкой горячей перезагрузки. - Совместимость с различными хранилищами и моделями AI. 📌 GitHub: https://github.com/AgnetLabs/Laddr #python

Конкурс для аналитиков! Требуется эксперт на продуктовый А/Б-эксперимент Международная IT-компания Garage Eight вместе с Данилой Елистратовым собрали классный аналитический кейс, на котором каждый может прочелленджить свою экспертность. История следующая — в крупном таксопарке «Датапарк» назревает кризис. Заказы поступают без остановки, но водителей не хватает. Чтобы спасти ситуацию, команда таксопарка запустила продуктовый эксперимент. Но ей нужна помощь крутого аналитика, чтобы разобраться, все ли правильно работает и стоит ли выкатывать новую механику на весь парк. Задачи: — убедиться, что сплит-система A/B-теста «Датапарка» работает верно; — посчитать результаты теста и понять, выгодна ли новая механика; — предложить способ определять отложенные заказы; — объяснить все менеджменту на понятной презентации. Призы (^-^): 1 место — Симулятор от Karpov.Courses на выбор: Симулятор А/B-тестов, Симулятор data science или Симулятор аналитика. А также бомбер Garage Eight. 2 место — Симулятор A/B-тестов от Karpov.Courses и бомбер Garage Eight. 3 место — Симулятор A/B-тестов от Karpov.Courses и бомбер Garage Eight. 4 и 5 место — Наборы мерча от Garage Eight Прием решений: до 2 декабря Проверка: с 3 декабря по 10 декабря Объявление победителей: 11 декабря > Узнай все детали и забери материалы кейса здесь: https://t.me/Garage_DataPark_bot Реклама. ООО "Гараж". ИНН 7810671708.erid: 2W5zFHLiCDe

🚀 Grok 4.1 - новая фронтир-модель, которая поднимает планку разговорного интеллекта, эмоционального понимания и практической полезности в реальных сценариях. Grok 4.1 доступен бесплатно на: • grok.com • grok.x.com • мобильных приложениях. Модель стала лучше понимать контекст, тон, эмоции и намерения собеседника, а также выдавать более точные и прикладные ответы. Это делает Grok 4.1 одним из наиболее продвинутых решений в своей категории. https://x.ai/news/grok-4-1

⚡️ 94-страничный обзор о том, как научные LLM эволюционируют за счет более богатых данных и замкнутых циклов с автономными агентами. Авторы разобрали 270 датасетов и 190 бенчмарков. Почему обычные LLM не тянут науку? Научные данные - это смесь текста, таблиц, формул, кода, изображений и неопределённых измерений. Нюансы легко теряются. Обзор предлагает: - единую таксономию научных данных - многослойную модель научного знания: от сырых наблюдений до теории Эта рамка помогает строить преподготовку и постобучение так, чтобы модели сохраняли научные правила и могли соединять разные форматы и масштабы. Обзор классифицирует модели по областям: физика, химия, биология, материалы, науки о Земле, астрономия, плюс универсальные научные ассистенты. В оценке качества виден сдвиг: от одноходовых квизов, к процесс-ориентированным проверкам, которые оценивают цепочку рассуждений, работу с инструментами и промежуточные результаты. Авторы продвигают закрытый цикл: агенты планируют эксперименты, запускают симуляторы или лаборатории, проверяют результаты и обновляют общее знание. Итог: научные LLM движутся к подходу, основанному на данных, проверке процессов и агентных петлях, связанных с реальными доказательствами. https://arxiv.org/abs/2508.21148

Пройдите собеседования за выходные и получите офер в Яндекс. Приглашаем Data Scientists, а также data- и продуктовых аналитиков с опытом на Python от 3 лет. Присоединяйтесь, чтобы строить полезные сервисы вокруг ИИ-технологий, находить новые решения и делать то, что другим не по силам. Как получить офер за выходные: • До 3 декабря оставить заявку на участие • 6 декабря решить задачи на двух технических секциях • 7 декабря прийти на финальную встречу и познакомиться с командами Подробности — на сайте: https://yandex.ru/project/events/wo-analytics-1225

🚨 Новый обзорный препринт о том, как ИИ меняет человеческое мышление - простым языком выделяю главное. ИИ перестал быть просто инструментом: он всё сильнее вмешивается в то, как мы думаем, что считаем важным и какие решения принимаем. Главные идеи: - ИИ берёт на себя всё больше когнитивных задач, а мы начинаем меньше думать сами. Растёт риск «ленивого мышления». - Персонализированные алгоритмы создают пузырь: нам показывают только удобные мнения. Это снижает разнообразие взглядов и усиливает поляризацию. - ИИ легко воздействует на наши когнитивные искажения. Алгоритмы могут подталкивать к нужным эмоциям и решениям. - Информационные экосистемы становятся управляемыми: дезинформация может распространяться автоматически и тонко. - Встаёт философский вопрос: что будет, если ИИ приблизится к сознанию? Где пройдёт граница между человеком и машиной? - Итог автора: растёт риск потери интеллектуальной автономии. Чтобы смягчить эффект, нужны образование, прозрачные модели и продуманное управление ИИ. Источник: arxiv.org/abs/2508.16628

🔥 SciAgent - возможно, самый впечатляющий научный ИИ на сегодня Это многоагентная система, которая координирует работу целой команды “мини-агентов”, как настоящий научный коллектив. Главная идея проста и мощна: - сверху есть Координатор, который понимает, какая задача перед ним: математика, физика, химия, какая сложность, какой тип рассуждений нужен - он сам собирает нужную цепочку рассуждений из разных специализированных агентов - те параллельно считают, моделируют, доказывают, проверяют и подстраиваются друг под друга Это динамический научный pipeline, который ИИ строит *на ходу*. И результаты - просто безумие: - 🥇 уровень золотых медалистов на IMO 2025 - 💯 идеальный результат на IMC 2025 - 🔝 почти человеческий топ уровень на IPhO 2024/2025 - 📈 огромный отрыв на CPhO 2025 (264 против 199 у лучших людей) - 🧠 уверенная работа на Humanity’s Last Exam - ⚙️ полная автоматизация: моделирование, вычисления, вывод формул и верификация — всё параллельно Почему это важно? Потому что SciAgent показывает: ИИ может рассуждать не как одиночная модель, а как команда специалистов, которая сама выбирает стратегию, инструменты и порядок действий. Это уже не рост точности на 2 %. Это новая парадигма научного мышления в ИИ. И если такие системы будут масштабироваться - научные задачи высокого уровня изменятся навсегда. https://arxiv.org/abs/2511.08151

🔥 Подборка полезных ресурсов для программистов. Здесь ты найдёшь всё это - коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Devops: t.me/DevOPSitsec Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Сохрани себе, чтобы не потерять!

⚙️ Китайский “невозможный чип” меняет правила игры В Китае представили разработку, которая может переписать будущее технологий. Речь о новом аналоговом чипе, который не просто обгоняет Nvidia и AMD — он выносит их за счётами. Что известно: - до 1000 раз быстрее современных топ-процессоров - до 100 раз энергоэффективнее - работает не в логике 1 и 0, а как мозг — обрабатывает непрерывные сигналы прямо в памяти - никаких задержек, минимум потерь энергии, максимальный интеллект Учёные заявляют, что решили проблему, над которой бились больше века: добились цифровой точности на аналоговом железе с минимальным потреблением. В тестах новый чип обошёл Nvidia H100 и AMD Vega 20 до 1000x по пропускной способности. Если технология масштабируется, это может перевернуть всё — от ИИ и дата-центров до связи и робототехники. Начало новой техноэры может наступить намного раньше, чем кто-то ожидал. https://www.livescience.com/technology/computing/china-solves-century-old-problem-with-new-analog-chip-that-is-1-000-times-faster-than-high-end-nvidia-gpus

🚀 PyTorch выходит за рамки квантизации: теперь с **Sparse Inference** Новый виток оптимизации - разреженный вывод в PyTorch. Это означает: меньше памяти, выше скорость, без необходимости менять архитектуру модели. 🔍 Что такое Sparse Inference? Разреженность - это когда в весах и активациях модели большинство значений обнулены (например, 80–90%). Теперь PyTorch умеет: - 📦 Использовать N:M разреженность (например, 2:4 sparsity) - ⚡ Ускорять инференс на GPU и CPU - 🧠 Поддерживать это в torch.compile() и torch.export 🧠 Как это работает? 1. Модель обнуляется с помощью Pruning / Structured Sparsity 2. Преобразуется через torch.sparse.to_sparse() или torch.export 3. Запускается через TorchInductor + XNNPACK или CUTLASS 🔧 Что поддерживается: - 🖥️ CPU (x86, M1/M2) — через XNNPACK backend - ⚙️ GPU (Ampere+) — через CUTLASS - 🔁 Интеграция с torch.compile() (TorchInductor) 💡 Почему это важно? - 📉 Меньше память → меньше latency на edge-устройствах - 🚀 Выше производительность без компромиссов - 🔧 Удобно встраивается в текущий PyTorch-пайплайн 👉 Подробнее:https://pytorch.org/blog/beyond-quantization-bringing-sparse-inference-to-pytorch/

⚡️ NVIDIA выпустила модель Llama-3 Nemotron Super-49B-v1.5-NVFP4 Это 49B reasoning-модель, улучшенная версия Meta Llama-3.3-70B-Instruct, которая даёт более сильное рассуждение, лучшее использование инструментов и стабильный диалог на длинных контекстах. Она ориентирована на реальные агентные нагрузки - RAG, tool calling, сложные цепочки действий - и поддерживает контекст 128K, позволяющий держать большие беседы, документы и планы без нарезки. Главное обновление - Neural Architecture Search, который снижает потребление памяти и повышает пропускную способность. В итоге модель может выполнять тяжёлые задачи на одном H200 под высокой нагрузкой - это уменьшает стоимость сервинга и позволяет использовать большие batch'и. huggingface.co/nvidia/Llama-3_3-Nemotron-Super-49B-v1_5-NVFP4

🧠 Большой шаг к AGI. MIT представили подход SEAL - метод, который позволяет языковым моделям самостоятельно обновлять свои знания и «вписывать» новую информацию прямо во внутренние веса. Вместо статичной модели после релиза появляется система, которая: - пишет свои «учебные конспекты», - генерирует несколько вариантов объяснений, - тестирует себя, - выбирает лучший результат, - и обновляет себя же, закрепляя новое знание. Фактически модель саморедактируется и самообучается, как студент, который улучшает понимание через пробу и ошибки. Первые результаты впечатляют: - +15% точности в QA-задачах - +50% успеха в освоении новых навыков - маленькая модель превосходит крупные LLM Проблема катастрофического забывания ещё есть, но прогресс быстрый. Это выглядит как первый реальный шаг к непрерывно обучающимся AI-агентам, которые могут адаптироваться, эволюционировать и работать вместе. https://news.mit.edu/2025/teaching-large-language-models-to-absorb-new-knowledge-1112

✅🧐🎁😌👹😋😡🙊😍🤷‍♂️👹 Хотите сделать шаг от экспериментальных AI-прототипов к полноценным продакшен-агентам? Мы подготовили среду, инструменты и пригласили экспертов — ждём только вас. 20 ноября стартует Yandex AI Studio Series — серия вебинаров для тех, кто уже работает с AI и хочет развивать агентные решения. Что вас ждёт: - 4 онлайн-трансляции с сессией вопросов и ответов. - Разбор сценариев с применением LLM, VLM, Realtime API, MCP, RAG, Workflows и других технологий. - Предзаписанный воркшоп для самостоятельной практики. - Квиз и приятные сюрпризы. - Нетворкинг в продуктовом комьюнити. - Офлайн-встреча в офисе Яндекса в Москве. Все решения будем деплоить на базе Yandex AI Studio — платформы от Яндекса для разработки AI-агентов. В программе: - Разберём, что такое агенты и мультиагентные системы. - Покажем, как собрать голосового и поискового агента, а также агента для обработки документов. - Как применить знания на практике в собственных AI-проектах. Если вы уже применяете AI и хотите вывести свои решения на новый уровень — присоединяйтесь. 👉 Регистрация @data_analysis_ml

IBM представила два новых квантовых процессора - Nighthawk и Loon - и сделала важный шаг: теперь все её квантовые чипы производятся на 300-мм пластинах в Albany NanoTech. Это снижает стоимость, ускоряет эксперименты и делает квантовое железо более «промышленным». IBM говорит о квантовом преимуществе уже к 2026 году и устойчивой работе с коррекцией ошибок к 2029. Nighthawk увеличивает сложность схем примерно на 30% при тех же уровнях ошибок. Он рассчитан на нагрузки с ~5000 двухкубитных операций и должен вырасти до ~15000 к 2028 году. Поддерживает Qiskit и будет доступен пользователям в конце 2025. Loon — это шаг к по-настоящему устойчивым квантовым вычислениям: более эффективная коррекция ошибок, длинные связи между кубитами через многослойную маршрутизацию, сброс кубитов между циклами и сверхбыстрое декодирование ошибок менее чем за 480 нс. Новый LDPC-подход IBM вывела на год раньше графика. Почему важны 300-мм пластины? Их площадь в 2.25 раза больше, чем у 200-мм, значит — больше чипов за один прогон и ниже стоимость. Это также позволяет параллельно тестировать разные варианты чипов и ускорять разработку. Albany работает 24/7, и IBM уже удвоила скорость R&D: время сборки сократилось в два раза, а сложность создаваемых систем выросла в 10 раз. Переход на полноценное 300-мм производство означает, что квантовые процессоры становятся реальной производственной технологией, а не лабораторными экспериментами. https://www.ibm.com/quantum/blog/300mm-fab