Математика Дата саентиста

⚡️ Очень понятная и сильная идея в этой работе Авторы берут замороженные DINOv2 / SigLIP и превращают их в генеративную модель через Feature Auto-Encoder (FAE) - всего с одним attention-слоем. Главная мысль: 👉 не пытаться сразу генерировать пиксели. Сначала модель учится восстанавливать признаки teacher-модели, а уже потом отдельный декодер превращает их в изображение. Как это делают: - из изображения получают признаки DINOv2 / SigLIP - сжимают их в очень маленький латент (всего 32 измерения) - обучают модель восстанавливать эти признаки, сохраняя их семантику - только после этого включают пиксельный декодер Зачем это нужно: Так 32-мерный латент сохраняет смысл изображения, а не просто пиксельную статистику. Два ключевых трюка: 1️⃣ Gaussian Embedding Decoder Пиксельный декодер заранее учат на признаках с добавленным шумом. Это делает генерацию устойчивой и не даёт модели «развалиться» при обучении. 2️⃣ Time Shift Смещение по времени в flow-matching помогает согласовать маленький латент и большое пространство изображений, ускоряя сходимость. Результат: - FID 1.29 на ImageNet-256 - обучение в 10 раз быстрее обычных подходов (80 эпох вместо 800) Вывод: Можно получить топовое качество генерации, если сначала научить модель думать в признаках, а не сразу рисовать пиксели. https://huggingface.co/papers/2512.07829

Год подходит к концу, сроки горят, локальное оборудование перегружено? Переходи в GPU-облако immers.cloud: 💰 Посекундная тарификация: тарифы от 23 руб/час, платите только за время, когда сервер реально работает. ⚡️ Быстрый старт: Виртуальная машина готова к работе за 2–3 минуты. 📈 Гибкость и масштабируемость: 13 моделей видеокарт на выбор

RTX 4090, RTX 3080 и RTX 4090 — для рендеринга, генерации изображений и гейминга; H100 (80GB) и H200 (141GB) — для обучения и инференса LLM с большой памятью; RTX 5090 (32GB) — для задач ИИ и тяжелых сцен в Blender, Octane, Redshift.

🔧 Удобство: готовые образы для ваших задач, чтобы не тратить время на настройку.

А также: заморозка (shelve) — не платите за время простоя сервера, resize — смена конфигурации сервера в несколько кликов, бесплатный интернет канал — скорость до 20Гбит/сек без ограничений в объеме трафика.

👉 Ускорить проекты в облаке 👉 Все доступные образы

🧠 Инструмент для решения математических задач Nomos - это интеллектуальная платформа для решения математических задач и написания доказательств на естественном языке. Она использует параллельные рабочие процессы для генерации и оценки решений, обеспечивая высокую эффективность и точность. 🚀Основные моменты: - Решение задач с помощью модели Nomos-1. - Параллельная работа для ускорения процесса. - Финализация результатов через турниры и консолидацию. - Оценка решений по 7-балльной шкале. 📌 GitHub: https://github.com/NousResearch/nomos #python

🧠 Новая работа Anthropic: как «локализовать» опасные знания внутри небольшого участка модели, а не размазывать их по всем весам. Проблема: LLM легко впитывают рискованные навыки из грязных датасетов - вредный контент может проскочить фильтры, попасть в обучение, а затем его почти невозможно полностью удалить. Обычно такие знания распределяются по всей сети. Идея работы: Исследователи заранее выделяют крошечную часть модели — небольшой набор нейронов и attention-голов - и обозначают его как «рискованную зону». Именно там должна храниться целевая опасная информация. Как это работает: - Во время обучения рискованные примеры обновляют только эту зону, сигналы градиента к остальным весам обнуляются. - Нормальные примеры наоборот - обучаются с отключённой risky-зоной. - После обучения исследователи обнуляют веса risky-зоны, удаляя опасные знания, но почти не трогая общие способности модели. Почему это эффективно: Ранние размеченные опасные данные «прокладывают путь» - вся дальнейшая утечка вредных знаний из неразмеченного или ошибочно размеченного датасета также направляется в ту же область. В результате вредные навыки не расползаются по всей модели. Результаты: - На задачах с билингвальными историями, а также с биологическими и военными темами из Википедии этот метод значительно лучше удаляет целевые знания, чем простая фильтрация данных. - Модель становится гораздо устойчивее к adversarial fine-tuning, который обычно восстанавливает запрещённые навыки. - Минус - требуется больше вычислительных ресурсов. Это первые шаги к практическому и управляемому «удалению способностей» из LLM через локализацию знаний, а не через попытки чистить датасеты или послеобучение. Paper: arxiv.org/abs/2512.05648

⏳ Открытый урок «Частотный портрет временных рядов: от Фурье к Вейвлетам и обратно»/ 🗓 15 декабря в 20:00 МСК 🆓 Бесплатно 📍 Программа вебинара: ✔️ Рассмотрим как преобразование Фурье превращает временной ряд в композицию из чистых частот и позволяет найти скрытые закономерности временных рядов ✔️ Узнаем недостатки преобразования Фурье, и как Вейвлет-анализ дает нам суперсилу: видеть КОГДА и НА КАКОЙ частоте произошло ключевое событие (внезапный обвал, всплеск волатильности) ✔️ Live-разбор на Python: как выделить сезонность, отфильтровать рыночный шум, классифицировать временные ряды ✔️ Ответы на ваши вопросы: когда использовать Фурье, а когда Вейвлеты? Как интерпретировать полученные спектрограммы? Не превратим ли мы сложные данные в еще более сложные картинки? И главное - как это применить для реальных задач предиктивной аналитики 🔗 Ссылка на регистрацию: https://otus.pw/p39U/?erid=2W5zFJHfTfn Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

⚡️ Google DeepMind представила FACTS Benchmark - новый набор тестов для оценки фактической точности LLM. Коротко: - DeepMind и Kaggle запустили FACTS Benchmark Suite для системного измерения фактической точности моделей в разных режимах. - В набор входят 4 направления: • Parametric - проверка внутреннего знания модели • Search - ответы с использованием веб-поиска • Multimodal - вопросы на основе изображений • Grounding v2 - ответы на основе предоставленного контекста - Всего 3 513 примеров; часть данных скрыта и используется только для официальной оценки и лидерборда. - Топовые модели прошли тестирование: Gemini 3 Pro показывает лучший общий результат - 68.8% FACTS Score, значительно опередив Gemini 2.5 Pro, особенно в задачах Search и Parametric. - Самой сложной областью остаётся мультимодальная фактуальность - ни одна модель не превысила порог в 70%, что показывает, насколько далеко ещё можно улучшать точность. Новый бенчмарк даёт более реалистичную картину того, как модели справляются с фактами в разных режимах и насколько они надёжны в реальном использовании. https://deepmind.google/blog/facts-benchmark-suite-systematically-evaluating-the-factuality-of-large-language-models

🐍 Математический совет для новичков в Python: Когда нужно считать суммы, средние или агрегаты по большим спискам, не пиши циклы вручную — используй встроенные функции и из модуля math / statistics: они быстрее, точнее и читаются лучше. Например, вместо:

total = 0
for x in data:
    total += x

пиши:

sum(data)

То же с средним: statistics.mean(data) даёт correct rounding и устойчивость к ошибкам. Это мелочь, но она ускоряет код и делает его математически корректнее.

Находка для тех, кто хочет сразу попасть в сердце R&D в ML: 🧠 Weekend Offer ML в Яндексе 13-14 декабря Мероприятие даст возможность DL- и инфраструктурным инженерам с опытом в NLP, CV, ASR, TTS, RecSys получить офер всего за два дня 🖇 Ищут спецов в команды: ⚪Alice AI LLM (YandexGPT) ⚪Компьютерного зрения ⚪Яндекс Переводчика и Клавиатуры ⚪Яндекс Клавиатуры ⚪Технологий голосового ввода ⚪Рекомендательных технологий ⚪Синтеза речи Самое крутое – в этот раз достаточно пройти всего две технические секции вместо обычных трех 💻 Суббота — секция по Classic ML & Programming и узкоспециализированная секция по вашему домену Воскресенье — финалы с командами Чтобы лучше подготовиться к секциям, можно заранее прорешать задачи уровня medium из Яндекс Контеста и LeetCode. Регистрация закрывается 9 декабря в 12:00 мск. Все подробности и регистрация по ссылке

Находка для тех, кто хочет сразу попасть в сердце R&D в ML: 🧠 Weekend Offer ML в Яндексе 13-14 декабря Мероприятие даст возможность DL- и инфраструктурным инженерам с опытом в NLP, CV, ASR, TTS, RecSys получить офер всего за два дня 🖇 Ищут спецов в команды: ⚪Alice AI LLM (YandexGPT) ⚪Компьютерного зрения ⚪Яндекс Переводчика и Клавиатуры ⚪Яндекс Клавиатуры ⚪Технологий голосового ввода ⚪Рекомендательных технологий ⚪Синтеза речи Самое крутое – в этот раз достаточно пройти всего две технические секции вместо обычных трех 💻 Суббота — секция по Classic ML & Programming и узкоспециализированная секция по вашему домену Воскресенье — финалы с командами Чтобы лучше подготовиться к секциям, можно заранее прорешать задачи уровня medium из Яндекс Контеста и LeetCode. Регистрация закрывается 9 декабря в 12:00 мск. Все подробности и регистрация по ссылке

🇨🇳 Китай официально начал продавать первый в мире квантовый компьютер на атомной базе — момент, когда квантовое железо выходит из лабораторий в коммерческий рынок. В отличие от сверхпроводниковых или ионных систем, эта машина использует отдельные атомы, расположенные в оптических решётках. Такие атомы работают как стабильные кубиты с намного более длительным временем когерентности — меньше ошибок, значит можно выполнять глубже и сложнее вычисления. Первые демонстрации показали работу над молекулярными симуляциями, взломом криптографии и оптимизационными задачами, которые доводят классические суперкомпьютеры до предела. Управляя атомами с помощью ультра-точных лазеров, разработчики добились уровня контроля, при котором атомные кубиты становятся особенно надёжными для реальных научных и промышленных задач. Впервые университеты, корпорации и исследцентры могут купить полноценный атомный квантовый компьютер, а не пользоваться им через облако. Это открывает путь к частному квантовому поиску лекарств, разработке новых материалов, ускорению ИИ и тестированию будущей кибербезопасности. Аналитики предупреждают: это может резко ускорить глобальную квантовую гонку и изменить баланс технологической мощи в ближайшие десятилетия. #QuantumComputing https://x.com/ShiningScience/status/1997633207957926118

⚡️ ChatGPT 5.2 "Code Red" выйдет 9 декабря. The Verge пишет, что по информации инсайдеров, OpenAI планирует представить обновление уже в начале следующей недели, ориентировочно 9 декабря. Ожидается, что GPT-5.2 вернет компании доминирующие позиции в сегменте больших языковых моделей. @ai_machinelearning_big_data #news #ai #ml

Паттерны, образованные Юпитером и Землей

Открытый урок «Yahoo Finance и не только — работа с российскими торговыми площадками». 🗓 9 декабря, 20:00 МСК 🆓 Бесплатно. В рамках старта курса «ML для финансового анализа». 📍 Программа: • Работа с Yahoo Finance API (yfinance): данные по акциям, индексам, ETF • Особенности российских площадок: источники, форматы, обработка данных • Практика: загрузка котировок и построение графика цены 👥 Для студентов и начинающих аналитиков в финансах и трейдинге, Data Scientists с временными рядами и финмоделированием, разработчиков инструментов для инвестанализа Узнаете: • загрузку данных с Yahoo Finance через Python (акции, индексы, валюты, ETF) • API и источники для РФ (MOEX, Тинькофф и др.) • обработку, визуализацию и использование данных в ML 🔗 Регистрация: https://otus.pw/DB5p/?erid=2W5zFHPgWoA Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

⚡️ DeepSeek, Gemini и GPT-5: кто лучше оценивает решения по математике Команда исследователей проверила, как современные модели справляются с ролью «машинного экзаменатора» на задачах USAMO-2025. Результаты оказались довольно разнообразными. Основные выводы: - DeepSeek-Math V2 показала самую высокую точность и лучше всего совпала с оценками людей, когда в решении практически нет осмысленного прогресса. - Gemini-3-Pro оказался лидером там, где в ответе есть частичное, но нетривиальное продвижение. - GPT-5 продемонстрировал ровно сильное поведение в обоих сценариях. Дополнительные результаты: - DeepSeek-Math-V2 заняла первое место по точности и среднему абсолютному отклонению. - GPT-5 стал лучшим по коэффициенту корреляции Пирсона. - Gemini-3-Pro стабильно входит в топ-3 по трём метрикам. Подробнее: Блог — https://gaussmath.ai/eval.html Отчёт — https://gaussmath.ai/assets/eval.pdf GitHub — https://github.com/Gauss-Math/GAUSS-Eval

На AI Journey презентовали крупнейший open-source проект в Европе: Сбер открыл доступ к своим флагманским моделям - GigaChat Ultra-Preview и Lightning, а также новое поколение открытых моделей GigaAM-v3 для распознавания речи, все модели генерации изображений и видео новой линейки Kandinsky 5.0 — Video Pro, Video Lite и Image Lite. GigaChat Ultra-Preview, новая MoE-модель, 702 миллиарда параметров, собранная под русский язык и натренированная полностью с нуля. Читайте подробный пост от команды. Впервые в России обучена MoE-модель такого масштаба полностью с нуля — без зависимости от зарубежных весов. Обучение с нуля, да и ещё на таком масштабе, — это вызов, который приняли немногие команды в мире. Флагманская модель Kandinsky Video Pro сравнялась с Veo 3 по визуальному качеству и обогнала Wan 2.2-A14B. Читайте подробный пост от команды. Код и веса всех моделей теперь доступны всем пользователям по лицензии MIT, в том числе для использования в коммерческих целях.

Красота неосвещенных геометрических проблем 0:00 — О чем это видео 0:24 — Задача об освещении многоугольника 1:34 — А как быть с вершинами? 2:06 — Существует ли другие примеры? 2:50 — Открытая проблема о зеркальных кругах 3:31 — Циклический путь в остроугольном треугольнике 4:30 — Экстремальный признак 5:22 — Прямоугольные, тупоугольные и равнобедренные 6:13 — Луч внутри прямоугольника 6:38 — Окружность и каустики траекторий 8:06 — Каустики траекторий в эллипсе 9:46 — Бильярд Пенроуза 10:38 — Коэффициент диффузии 12:11 — Мельница Токарского 12:35 — Четырехугольник Токарского источник

Можно ли передать характер животного всего одной линией❓ Оказывается, да. И математика тут играет не меньшую роль, чем искусство. В канале «Зачем мне эта математика» я наткнулся на потрясающую историю о том, как художник и инженер смотрят на одну и ту же форму. Там рассказывают о карандашных набросках Пикассо, в которых он рисовал животных одной непрерывной линией. Свою таксу Лумпа он изобразил одним штрихом, — при этом каждому понятно, что это именно собака. Интересно еще то, что программист Джереми Кун попытался описать этот рисунок математически. Он оцифровал контур таксы и аппроксимировал — то есть заменил линию рисунка на математическую кривую — каждый сегмент всего одной кривой Безье, линией, которую можно задать всего парой опорных точек. В итоге оказалось, что всего девяти кривых достаточно, чтобы почти идеально повторить живую линию художника. Математика дала форму, которой можно легко управлять: масштабировать, анализировать, анимационно «рисовать» шаг за шагом. Так становится видно, как формулы и творчество соединяются в одном пространстве. Если вам нравится, когда математика помогает понять искусство, технологии и визуальные формы, загляните в «Зачем мне эта математика». Там таких неожиданных историй полно. Реклама. ООО «ФРОМ СКРЭТЧ», ИНН 9724205560, erid: 2VtzqvFdwow

⚡️ Математический roadmap для ML специалистов: от линала до теорвера Это подробный гайд по математическому фундаменту, необходимому для понимания работы алгоритмов «под капотом». Материал полезен тем, кто хочет углубиться в теорию дальше вызова .fit() в scikit-learn. Ключевые поинты: * Структура: Roadmap базируется на трех дисциплинах: 1. Linear Algebra: Язык описания данных и моделей (векторы, матрицы, тензоры). 2. Calculus: Инструментарий для обучения и оптимизации (производные, градиенты). 3. Probability Theory: Фреймворк для оценки неопределенности. Подход: Автор делает упор на интуицию, а не на заучивание формул. Гайд связывает абстрактную математику с конкретными ML-задачами - от понимания того, как работает Backpropagation и SGD, до причин взрыва градиентов и выбора функции потерь. 🔗 Читать полную версию: https://thepalindrome.org/p/the-roadmap-of-mathematics-for-machine-learning 🔗 Мат база на русском: https://stepik.org/course/226596/info

Математика и алгоритмы для программиста Сегодня в гостях у LoftBlog программист-математик Стас Капулкин. Мы поговорим про методологии проектирования IT продуктов, про то, почему просто невозможно создать хорошую архитектуру программы без глубоких знаний в математике. Вы узнаете, что такое теория категорий, при чем тут когнитивная психология, как и где применяются big data, что такое Motion Learning и почему рядовые веб-разработчики рискуют в будущем остаться без работы, если всерьез не возьмутся за изучение алгоритмов и математики.