Анализ данных (Data analysis)

🌺 Релиз Ornith-1.0 - новое семейство open-source LLM, специализированных под agentic coding. Ornith-1.0 выходит в разных размерах: • 9B Dense • 31B Dense • 35B MoE • 397B MoE Модели показывают state-of-the-art результаты среди open-source моделей сопоставимого размера на coding-бенчмарках: • Terminal-Bench 2.1 — 77.5 • SWE-Bench — 82.4 на verified, 62.2 на pro, 78.9 на Multilingual • NL2Repo — 48.2 • SWE Atlas — 41.2 на QnA, 42.6 RF, 39.1 TW • ClawEval — 77.1 Ornith-1.0 дообучали поверх Gemma 4 и Qwen 3.5. Reinforcement learning используется не только для генерации решений, но и для создания task-specific scaffolds, которые направляют эти решения. То есть модель совместно улучшает и «каркас» задачи, и итоговое решение. За счёт этого она генерирует более качественные ответы в agentic coding. Все модели выпущены под MIT-лицензией, поэтому их можно использовать и в коммерческих, и в исследовательских проектах. 📖Tech Blog: http://deep-reinforce.com/ornith_1_0.html 🤗Huggingface: http://huggingface.co/collections/deepreinforce-ai/ornith-10

Google добавили computer use в Gemini 3.5 Flash. Теперь модель может вызывать функции, а работать с интерфейсом как пользователь: видеть экран, понимать задачу, нажимать, проверять и продолжать действие. Раньше computer use был отдельной моделью, теперь это часть основной Gemini Flash. Отдельно добавили защиту: подтверждение чувствительных действий и остановку задач при подозрении на prompt injection. https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/

🖥 IBM показала технологию чипов ниже 1 нанометра. Речь о 0,7 нм, или 7 ангстремах. Это уже масштаб, где индустрия упирается почти в атомные размеры. В чипе представлена новая 3D-архитектура nanostack. Вместо того чтобы просто уменьшать транзисторы, IBM предлагает укладывать их слоями и плотнее размещать внутри чипа. Что обещают: • почти 100 млрд транзисторов на чипе размером с ноготь • до 50% больше производительности • или до 70% выше энергоэффективность по сравнению с 2 нм • более плотную SRAM для AI-нагрузок. IBM говорит о пути к производству примерно в ближайшие 5 лет. https://newsroom.ibm.com/2026-06-25-ibm-debuts-worlds-first-sub-1-nanometer-chip-technology

Qwen показали Qwen-AgentWorld - модель, которая учится симулировать среду, в которой агент действует. Обычно LLM тренируют лучше пользоваться инструментами: искать, писать код, кликать по вебу, работать с терминалом. А здесь идея другая: научить модель моделировать сами окружения. Qwen-AgentWorld симулирует 7 типов агентных сред: • MCP • Search • Terminal • SWE • Web • OS • Android То есть модель пытается предсказывать, что произойдёт после действия агента в среде. Не пост-фактум адаптация, а цель обучения с первого дня. Если языковая модель умеет моделировать окружение, её можно использовать как тренировочную площадку для агентов. Авторы идут по двум направлениям: 1. построить foundation model для симуляции сред 2. проверить, усиливает ли world modeling обучение агентов Самое интересное: по их данным, agentic RL в контролируемой симуляции может быть эффективнее, чем обучение в реальных средах. А предварительное обучение на предсказание окружений усиливает агентов даже без отдельного agent-specific fine-tuning. Грубо говоря, это шаг к «тренажёру реальности» для AI-агентов. Paper: https://arxiv.org/abs/2606.24597 Blog: https://qwen.ai/blog?id=qwen-agentworld GitHub: https://github.com/QwenLM/Qwen-AgentWorld HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld

Почему разрыв между академическим ML и реальными задачами до сих пор существует — и как его сокращают Авито, МФТИ и ВШЭ Авито открыл набор на три магистратуры с МФТИ и ВШЭ — программы, построенные на реальных задачах компании. Суть простая: бизнес зашёл в университет не деньгами, а экспертизой. В разработке участвовало 300+ сотрудников, преподают действующие специалисты. Дальше всё так: • Студент с первого дня работает с кейсами живых продуктов, а не с учебными датасетами. • Выпускник выходит с опытом, который обычно нарабатывают первые полгода на позиции. Три направления: «Прикладное машинное обучение и анализ данных» с МФТИ, «Машинное обучение в цифровом продукте» с ФКН ВШЭ и «Управление продуктом в IT-бизнесе» с ВШБ ВШЭ — для продактов, с прицелом на уровень middle. Поступить можно из любого региона России. Подробнее по ссылкам: МФТИ ВШЭ (ML) ВШЭ (продакт)

Anthropic утверждает: Alibaba продолжает в больших масштабах дистиллировать Claude для обучения Qwen. Источник - Bloomberg. Anthropic обвиняет операторов, связанных с Alibaba, в масштабной кампании по незаконному доступу к Claude через почти 25 000 фейковых аккаунтов. По данным Bloomberg, Anthropic заявляет, что в рамках этой кампании с апреля по июнь было сгенерировано 28,8 млн обменов с Claude. Целью были способности вроде software engineering и agentic reasoning. Компания считает это частью более широкой схемы «adversarial distillation», когда китайские лаборатории якобы собирают ответы американских frontier-моделей, чтобы обучать конкурирующие системы за гораздо меньшие деньги. Посмотрим, насколько хорошим будет Qwen 3.8. Возможно, он окажется FABLEous хорош. https://www.bloomberg.com/news/articles/2026-06-24/anthropic-accuses-alibaba-of-illicitly-accessing-its-ai-models

📌 WSJ: коммерческие сделки OpenAI связаны с ростом личных инвестиций Сэма Альтмана The Wall Street Journal со ссылкой на судебные документы, ставшие публичными в ходе процесса "Маск против OpenAI", опубликовала расследование о том, что контракты OpenAI повышали оценку стартапов, в которые лично вкладывается Сэм Альтман.

Для контекста: Альтман не владеет долей в самой OpenAI, поэтому его доходы зависят от внешних инвестиций.

🟡Механизм OpenAI заключает контракт или соглашение о сотрудничестве, что поднимает оценку стартапа. Затем крупные акционеры OpenAI (например, Thrive Capital) или партнёры (SoftBank) выкупают доли стартапа, от чего личное состояние Альтмана растёт, так как он является их инвестором. 🟡Helion В 2025 году Сэм предлагал OpenAI вложить около $500 млн в термоядерный стартап Helion. Часть сотрудников восприняла идею с настороженностью, и от прямых инвестиций компания отказалась. В марте 2026 года стороны подписали пересмотренное соглашение о сотрудничестве и тогда же Альтман вышел из совета директоров Helion, объяснив это конфликтом интересов. В июне 2026 года Helion оценили в $15,5 млрд, а личная доля Альтмана выросла как минимум до $4,1 млрд. 🟡Cerebras После того как производитель чипов получил от OpenAI обязательство о закупках и провёл IPO, стоимость доли Альтмана выросла более чем в 6 раз по сравнению с декабрём 2025 года. 🟡Retro Biosciences После соглашения о научном сотрудничестве с OpenAI доля Альтмана в этой компании по продлению жизни к декабрю 2025 года достигла $258 млн.

Всего, по данным WSJ, не менее 10 компаний из инвестиционного портфеля Альтмана имеют сделки с OpenAI.

🟡На это обратили внимание власти Комитет Палаты представителей США по надзору начал официальное расследование, а генеральные прокуроры нескольких штатов призвали Комиссию по ценным бумагам и биржам проверить деятельность главы OpenAI в преддверии IPO.

Сам Альтман и представители компаний называют сотрудничество обычной практикой.

@ai_machinelearning_big_data #news #ai #ml

Лето — время начать: освойте Data Science на выгодных условиях Хотите не просто теоретически разбираться в устройстве нейросетей, а уметь создавать их самостоятельно? Центр непрерывного образования ФКН НИУ ВШЭ предлагает присоединиться к структурированному и выстроенному практикующими экспертами обучению науке о данных. Станьте специалистом по Data Science высокого уровня: 🟣первая программа профессиональной переподготовки, получившая аккредитацию Альянса в сфере искусственного интеллекта; 🟣вы пройдете весь путь: от высшей математики и программирования до нейросетей и работы с большими данными. Программа включает курсы по ключевым дисциплинам: 🟣Математика для анализа данных; 🟣Алгоритмы и структуры данных; 🟣Программирование и автоматизация; 🟣Прикладная статистика для машинного обучения; 🟣Машинное и глубинное обучение. Специальное предложение для тех, кто запишется на ближайший запуск: ⭐️ Скидка 10% на обучение ⭐️ Курс по BI в подарок 📁Старт: 30 июня. Подробнее о программе 📍

NVIDIA CUDA-Q всё сильнее становится мостом между квантовыми вычислениями и реальными задачами. Рабочий квантовый компьютер появится не сам по себе, а через гибридный подход, где QPU работают вместе с GPU-ускоренной симуляцией. Уже сейчас экосистема двигается в эту сторону: • Aegiq и Quantum Motion развивают quantum chemistry workflows • Classiq использует CUDA-Q для поиска квантовых применений в финансах • FirstQFM показал quantum foundation models на суперкомпьютере Leonardo • Eclipse Qrisp, Fraunhofer FOKUS и Qilimanjaro строят свои решения вокруг CUDA-Q • qBraid стал CUDA-Q target и расширяет доступ к разным QPU-провайдерам • QCentroid делает QuantumOps workflows на CUDA-Q • Welinq соединяет distributed quantum compiler с GPU-ускоренной проверкой схем Гибридные workloads, GPU-симуляция, QPU-доступ и инструменты разработки - именно так квантовая индустрия будет двигаться к практической пользе. https://developer.nvidia.com/cuda-q

Самый быстрый запрос — тот, который не пришлось выполнять ✌️ Именно поэтому Redis давно стал одним из основных инструментов для ускорения приложений и снижения нагрузки на базы данных.

Но вместе с производительностью появляются новые вопросы: как работать с устаревшими данными, правильно инвалидировать кэш и не превратить ускорение системы в источник новых проблем?

Об этом поговорят на вебинаре Cloud.ru — «Эволюция приложения в облаке: как настроить кэш с Redis и ничего не сломать». 📌 30 июня, 11:00 МСК Эксперты разберут:

▶️

реальные сценарии использования Redis

▶️

стратегии кэширования

▶️

типичные ошибки, которые встречаются даже в зрелых системах

👉Зарегистрироваться👈

А если вы пропустили предыдущие «серии» — они доступны по ссылкам:

1️⃣

Эволюция приложения в облаке: как навести порядок в артефактах и образах

2️⃣

Эволюция приложения в облаке: как запустить микросервисы в Managed Kubernetes

3️⃣

Эволюция приложения в облаке: как обеспечить стабильность баз данных при росте проекта и нагрузок

OpenAI теперь идёт не только в модели, но и в железо. Компания вместе с Broadcom представила Jalapeño — первый собственный AI-чип для инференса LLM. Его задача простая: быстрее, дешевле и стабильнее запускать ChatGPT, Codex, API и будущих AI-агентов. Главное: чип сделали от идеи до tape-out всего за 9 месяцев, а в разработке помогали сами модели OpenAI. Это уже не просто гонка моделей. Это гонка полной AI-инфраструктуры: чипы, сеть, дата-центры, софт и продукты в одной связке. https://openai.com/index/openai-broadcom-jalapeno-inference-chip/

Один из лучших вводных материалов по прикладной линейной алгебре, который мне попадался. Этот курс объясняет векторы, матрицы и метод наименьших квадратов с самых основ, а затем связывает их с реальными задачами: • подгонка данных • машинное обучение • оптимизация • обработка изображений • системы управления Это материал, который можно рекомендовать студентам, инженерам и всем, кто хочет понять математический фундамент современной data science. PDF: http://web.stanford.edu/~boyd/vmls/vmls.pdf

LLM в поддержке: от шаблонов к точной работе с документами компании ✅ На открытом уроке разберём, как устроены современные решения на базе LLM, почему они не просто генерируют текст, а используют знания компании для подготовки ответов, и как такие инструменты помогают ускорять обработку обращений. На практических примерах покажем, как документы превращаются в базу знаний для ИИ, как происходит поиск информации по запросу клиента и каким образом LLM помогает оператору поддержки готовить ответы. Также поговорим о том, как подобные решения применяются в бизнесе уже сегодня. Урок пройдёт 6 июля в 20:00 МСК в преддверии старта курса «LLM-инженер». Это возможность познакомиться с современным подходом к созданию интеллектуальных сервисов, задать вопросы эксперту и понять, как внедрять подобные решения в реальные процессы компании. ➡️ Регистрация открыта: https://otus.pw/Jafm/?erid=2W5zFHM9zVf Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Oracle сократила штат на 13% за последние 12 месяцев и в годовом отчёте за понедельник упомянула внедрение AI как одну из причин. Численность сотрудников Oracle снизилась со 162 000 до 141 000 человек. Это сокращение на 13%, которое компания напрямую связала с внедрением AI в свои операционные процессы. При этом расходы Oracle на реструктуризацию выросли до $1,8 млрд против $374 млн ранее. Капитальные затраты увеличились на 162% и достигли $55,7 млрд. Свободный денежный поток упал до минус $23,7 млрд. Источник: официальный SEC 10-K компании Oracle d18rn0p25nwr6d.cloudfront.net/CIK-0001341439/0723dfa7-be5f-4227-9da6-eff3cce376a8.pdf

Anthropic анонсировала Claude Tag - новый способ для команд работать с Claude прямо в Slack. Суть простая: Claude подключается к рабочему пространству как полноценный участник команды. Вы сами выбираете, к каким каналам и инструментам у него будет доступ. Дальше всё так: • вы отмечаете Claude в переписке, ставите задачу и продолжаете заниматься своими делами. • Claude выполняет поручение асинхронно, не ломая рабочий поток команды. Claude Tag вырос из Claude Code, но стал более проактивным и командным инструментом. По словам компании, 65% кода продуктовой команды создаётся через внутреннюю версию Claude Tag. https://www.anthropic.com/news/introducing-claude-tag

⚡️ 1-bit GLM-5.2 GGUF против Claude 4.8 Opus и GPT-5.5. Авторы дали трём моделям один и тот же промпт и сравнили ответы в режиме one-shot, без дополнительных уточнений и доработок. 1-bit GLM-5.2 GGUF запускалась локально на Mac Studio M3 Ultra с 256 ГБ RAM и выдавала около 21,6 токена в секунду. Какой результат вам нравится больше? GGUF: https://huggingface.co/unsloth/GLM-5.2-GGUF

Теперь на GitVerse — зеркало PyPI! ⚡️ Python‑пакеты переехали на российскую платформу для разработчиков GitVerse — теперь зависимости подтягиваются быстрее, а пайплайны не зависят от доступности внешнего PyPI.   Остаётся только выбрать: установить зеркало как основной источник или оставить как «страховку». Гайд по подключению.

Когда ИИ используется так, остается тольок аплодировать 🤣🤣

Anthropic, возможно, сама «запугала» рынок настолько, что в итоге попала под экспортный бан на ИИ. В 2026 году 5 из каждых 1000 слов, которые использовала Anthropic, были связаны с рисками, регулированием или ограничениями. Это в 8 раз больше, чем у Сэма Альтмана. Сравнение употребления слов в заявлениях Anthropic и OpenAI: «risk»: 336 против 30 «safeguard»: 121 против 33 «vulnerability»: 128 против 10 https://www.ft.com/content/16ace46c-aeac-40c9-8598-3c01fa4481cb

Выбираем железо для обучения и инференса моделей 🔝 Простая формула: чем больше у модели параметров, тем более мощное железо нужно для ее инференса. Найти решение для нейросетей разного масштаба можно в Selectel. Более 15 моделей видеокарт — от RTX 4090 до B300 — доступны к аренде в облаке и на выделенных серверах. Облачные серверы подойдут для тех, кому нужна гибкость и быстрая масштабируемость, а выделенные — когда необходима физическая изоляция инфраструктуры, а нагрузки стабильные. Видеокарты в облаке можно арендовать даже на час, цена стартует от 5 рублей. Выбирайте оптимальный сервер с GPU и арендуйте его от 5 рублей в час: https://slc.tl/aitoq Реклама. АО "Селектел". erid:2W5zFJumeY9