Математика Дата саентиста

💡 GPT-5 и Sudoku-Bench, почему новые модели всё ещё ломаются на судоку Sakana AI представили Sudoku-Bench - набор классических и продвинутых судоку-задач, который проверяет не память модели, а её способность рассуждать, понимать новые правила и держать всю логику пазла в голове. Они протестировали современные модели, включая GPT-5 и методы тонкой настройки вроде GRPO и thought-cloning. Главное: GPT-5 стала первой моделью, которая уверенно решает часть сложных задач и показала около 33 % успешных решений на наборе challenge_100. Ранее ни одна LLM не справлялась даже с обычным 9×9. Но треть решённых - это всё ещё мало: большая часть задач остаётся нерешённой, особенно варианты с необычными правилами. Ключевая трудность в том, что такие головоломки требуют не просто следовать правилам, а уметь понять незнакомые ограничения, найти стратегию «входа», просчитывать ходы вперёд и сохранять глобальную согласованность. Модели часто делают правильные локальные шаги, но теряют общую структуру. GRPO и thought-cloning дают улучшения, но пока не позволяют моделям преодолеть сложные варианты. Даже с обучением на человеческих примерах ИИ быстро «запутывается» в длинных логических цепочках. Sudoku-Bench - это тест на реальное рассуждение, а не на подбор паттернов. Он проверяет пространственное мышление, логику, способность адаптироваться и работать с новыми правилами. Прогресс на таких задачах - показатель движения к более структурному и осмысленному ИИ. Авторы предлагают Sudoku-Bench как стандарт, по которому можно судить, насколько модели действительно умеют думать. Для будущих систем важны не просто большие параметры, а развитая логика, планирование и умение работать с новыми структурами задач. @ai_machinelearning_big_data #ai #ml #sakana

👿 Data Dojo 27 ноября: программа встречи Data Dojo — мероприятие Яндекса для ML-энтузиастов всех уровней. Какие будут лекции: 17:10 Обзор трендов и предварительные итоги года

Сергей Овчаренко, руководитель отдела мультимодального анализа и генерации

17:40 Научить AI не бредить, сдать физику и получить права: как мы готовили задачи ML-квалификации Yandex Cup

Сергей Фиронов, ведущий разработчик службы поведения и предсказания департамента Автономного транспорта

18:10 Кухня, гости, музыка: как мы научили колонку реагировать в реальном хаосе

Дмитрий Солодуха, руководитель команды голосовой активации

Собираемся в 16:00. Фуршет, нетворкинг, мастер-класс, afterparty — будет всё. Регистрируйся

AI, который сам выводит законы физики Команда из Университета Цинхуа, Пекинского университета и других исследователей представила систему PhyE2E - ИИ, который способен автоматически выводить физические уравнения прямо из сырых данных. Без участия человека. Модель обучена на реальных научных датасетах и известных физических законах. Она сочетает трансформеры и символьное рассуждение, чтобы генерировать компактные, корректные по единицам измерения и понятные учёным уравнения. На астрофизических данных NASA PhyE2E не только воспроизвёл человеческие результаты, но и предложил улучшенную формулу солнечных циклов. Это шаг за пределы обычного «подбора кривой»: ИИ начинает учиться тому, как устроена Вселенная, и выражает это на человеческом языке — уравнениями. Исследователи называют PhyE2E первым шагом к автоматическому научному открытию, где ИИ не просто анализирует данные, а выводит новые законы природы. Если такие системы будут развиваться дальше, темпы научного прогресса могут увеличиться на порядки — действительно в тысячи раз. https://phys.org/news/2025-11-ai-framework-uncover-space-physics.html

🔬 Учёные из Польши: квантовые частицы связаны "на расстоянии" просто потому, что они одинаковые Физики-теоретики из Польши показали, что *нелокальность* — загадочная "мгновенная связь" между квантовыми частицами — может возникать без запутанности и без взаимодействия. 🔍 Почему? Потому что одинаковые квантовые частицы (например, электроны или фотоны) неотличимы по сути. И этого уже может быть достаточно, чтобы возникали скрытые "связи" на расстоянии. 1. Проще квантовая связь Если нелокальные связи возникают *автоматически*, то не нужно всегда настраивать хрупкую запутанность. ➡️ Это может упростить квантовые сети и сделать их стабильнее. 2. Новый подход к квантовым компьютерам Возможно, мы сможем использовать *встроенные* нелокальные корреляции, чтобы сделать вычисления более надёжными и энергоэффективными. 3. Иная перспектива на телепортацию Сейчас телепортация работает на основе запутанности. Но если *нелокальность встроена изначально*, возможно появление телепортации без запутанности. 👀 4. Глубокий намёк на структуру Вселенной Если нелокальность — свойство *тождественности частиц*, то пространство и время могут быть производными, а информация — фундаментальна. Это поддерживает идеи квантовой гравитации и теории симуляции. 🌌 Вывод Это не телепортация людей (пока). Но если *вселенная уже "проводит кабель"* между частицами, нам остаётся лишь подключиться. Возможно, Вселенная уже всё подготовила. Надо только понять, как этим воспользоваться. https://www.nature.com/articles/s41534-025-01086-x

🧠 IBM объясняет, как математика симметрий помогает создавать новые квантовые алгоритмы Математика групп — это про симметрии: как объекты можно менять местами, вращать или переставлять, и что при этом остаётся неизменным. IBM показывает, что те же самые идеи лежат в основе квантовых вычислений — и помогают искать задачи, где квантовые алгоритмы могут быть быстрее классических. Ключевые идеи: - Симметрии в природе описываются теорией групп - Квантовые системы тоже подчиняются симметриям - Если правильно описать задачу через симметрии, можно найти квантовый алгоритм с ускорением - IBM работает с более сложными (не-абелевыми) симметриями — это следующий уровень, сложнее и мощнее Зачем это всё Мы ещё не нашли много «убойных» квантовых алгоритмов. Подход через симметрии — это способ открывать новые, а не только улучшать старые. Если коротко: Математика симметрий может стать картой для поиска новых квантовых алгоритмов. Подробнее: https://www.ibm.com/quantum/blog/group-theory Видео: https://www.youtube.com/watch?v=eSy-pwkLiIQ #quantum #math #grouptheory #IBMQuantum #algorithms

🧠 ИИ теперь не только создаёт знания — он их спасает Издательская группа Frontiers сообщила: около 90% научных данных никогда не переиспользуются и не публикуются должным образом. Иными словами, большинство открытий исчезает в цифровом небытии. Чтобы это изменить, Frontiers запустила платформу на базе ИИ, которая - сканирует забытые исследования, - систематизирует данные, - и связывает их между собой, превращая «потерянные» результаты в новые открытия. 💡 Наука тонет в данных — и теперь именно ИИ помогает достать их на поверхность. https://www.sciencedaily.com/releases/2025/10/251013040314.htm

🚀 Новый курс на Stepik: Computer Vision Engineer Соберите production-ready CV-сервис: данные → модель → деплой → метрики. Что внутри • Задачи: классификация, сегментация, детекция, трекинг, OCR/Doc-AI • Данные: разметка, баланс классов, аугментации (Albumentations), DataOps • Инференс: ONNX/TensorRT, смешанная точность, батчинг, троттлинг • Сервинг: FastAPI/gRPC, очереди сообщений, асинхронные пайплайны • Надёжность: мониторинг, дрейф данных, алерты, регрессионные тесты • MLOps для CV: mAP/IoU/Dice, A/B-тесты, бюджет по инфре • Прод: Docker/Compose, CI/CD, профилирование p95 и cost/req 🎯 Итог: портфолио-проект + репозиторий + чек-листы деплоя и мониторинга + сертификат Stepik. 🔥 Промокод COMPUTERVISION: −30% на 48 часов. 👉 Пройти курс со скидкой

ВВС: История математики Часть 1 Язык вселенной Часть 2 Гений Востока Часть 3 Пределы пространства Часть 4 За пределы бесконечности Математика - универсальный язык Вселенной, фундамент, на котором основаны все другие науки. Как человечество смогло открыть тайны этого универсального языка? Начиная с древнейших времен, прослеживается история математики до наших дней и завершается рассказом о наиболее важных проблемах современности. За решение каждой из этих "проблем тысячелетия" полагается крупное денежное вознаграждение. Но главное, их решение позволит лучше понять устройство нашего мира.

Визуализация тригонометрии

📘 На Stepik вышел курс — «MLOps с нуля: как довести модель до продакшна»  Начинаете путь в MLOps и хотите понять, как перевести ML-модель из ноутбука в реальный продукт? Этот курс — именно то, что нужно. 🔍 Что вы получите: • Понимание полного жизненного цикла ML-модели: от обучения до мониторинга • Практику с современными инструментами: Docker, Kubernetes, CI/CD, MLflow • Опыт построения воспроизводимых пайплайнов и управления экспериментами • Навыки автоматизации и работы с инфраструктурой для реального продакшна 🎓 Сертификат по завершении — добавьте его в резюме или профиль LinkedIn 🚀 Сделайте шаг к профессии MLOps-инженера. Начните уже сегодня и получите скидку 30%, которая действительна в течение 24 часов 👉 Пройти курс на Stepik

🔥 GOOGLE AI опубликовали пост о настоящем прорыве в области QUANTUM AI Сегодня в журнале Nature команда Google впервые показали проверяемое квантовое преимущество с помощью метода, называемого *out-of-time-order correlator (OTOC), или «квантовые эхо». Эксперимент проведён на квантовом чипе Willow, и он показывает, что квантовые устройства уже способны решать задачи, которые невозможно эффективно симулировать на классических компьютерах. Квантовый процессор Google выполнил алгоритм под названием Quantum Echoes - в 13 000 раз быстрее, чем лучший классический алгоритм на одном из самых мощных суперкомпьютеров в мире. 🟠Что это значит простыми словами Учёные научились буквально «отматывать время» в квантовой системе и смотреть, когда она переходит от упорядоченного поведения к хаосу. Этот переход - ключ к пониманию, где начинается настоящее квантовое преимущество. Проще говоря: 1) Учёные запускают квантовую систему вперёд во времени, позволяя ей запутаться и “рассеять” информацию. 2) Затем применяют обратные операции, как будто “перематывают” процесс назад. 3) Если всё сделано идеально, система должна вернуться в исходное состояние,но из-за квантового хаоса это происходит лишь частично. 4) Разница между “до” и “после” показывает, насколько глубоко информация ушла в хаос. Работа показывает, что можно извлекать информацию из хаотичных квантовых состояний, ранее считавшихся полностью случайными. Такой эффект невозможно воспроизвести на обычных суперкомпьютерах. Это шаг к практическим квантовым вычислениям, которые смогут моделировать материалы, молекулы и сложные физические процессы с точностью, недостижимой ранее. «Quantum Echoes может стать основой будущих квантовых разработок для реального применения. *Out-of-time-order correlator (сокращённо OTOC) - это специальная метрика, с помощью которой физики измеряют, как быстро информация "распространяется" и смешивается внутри квантовой системы. 🟢 Статья: https://www.nature.com/articles/s41586-025-09526-6 @ai_machinelearning_big_data #QuantumComputing #Google #AI #Nature #Physics

⚡️ Qwen Deep Research получил полезное обновление Теперь он создаёт не только исследовательские отчёты, но и готовые веб-страницы и подкасты по вашим ресерчам. Работаем связка Qwen3-Coder, Qwen-Image и Qwen3-TTS. 👉Попробовать: chat.qwen.ai/?inputFeature=deep_research @ai_machinelearning_big_data #Qwen #AI #DeepResearch #Qwen3 #AItools

Залетай в новый поток курса «Практическая ML-инженерия: MLOps и разработка проектов» от AI Talent Hub, ИТМО если хочешь: 1️⃣ Освоить стек MLOps: DVC, Airflow, MLflow, ClearML, W&B, FastAPI, PyTest, Docker, GitLab CI — ключевые инструменты для выведения ML-модели в продакшен. 2️⃣ Вырасти в грейде: обновить скилсет и перейти в практический ML 3️⃣ Пройти весь путь создания ML-продукта от идеи до релиза с поддержкой практиков из AI Talent Hub 4️⃣ Получить диплом ДПО ИТМО Продолжительность: 5 месяцев Формат: онлайн Цена: 150 000 ₽. ➡️ Изучи программу и успей зарегистрироваться до 31 октября! AI Talent Hub — лучший просветительский проект в GenAI по версии Generation AI Awards 2025 Реклама. Университет ИТМО ИНН:7813045547

🔥 Парадоксы теории вероятностей ВМК МГУ. Ульянов В.В. источник

🧠 Могут ли мультимодальные модели действительно понимать инструменты? Новая работа проверяет, способны ли модели действительно понимать физические инструменты, а не просто узнавать их по картинке. 📷 В задаче модели показывают фото и просят выбрать нужный инструмент с номером. Датасет включает 1 000 пар изображение + текст и три уровня сложности: 1. Базовое распознавание инструмента; 2. Понимание ограничений (например, работает ли он, цел ли); 3. Конструирование инструмента из других предметов. 🧩 Условия: - Можно использовать только предметы на фото; - Ответ - номер инструмента или None. 👨‍🔬 Результаты: - Люди: ~90 % - Топ-модели: ~63 % - Внутренние бэкенды Vision-Language-Action моделей — < 15 %. Типичные ошибки: - Считают сломанный инструмент рабочим; - Путают похожие кабели и порты. 🔧 Немного помогает масштаб — примерно с 10 B параметров появляется базовое “чувство инструмента”. Метод chain-of-thought даёт небольшой прирост, а vision-centric пайплайн (распознавание объектов + рассуждение по вырезкам) улучшает самые трудные случаи. 💡 Главное открытие: современные мультимодальные модели знают названия предметов, но не понимают, как инструменты работают. Этот бенчмарк даёт чёткий ориентир, где они пока “проваливаются”. 📘 Cтатья: https://arxiv.org/abs/2510.09507

📘 На Stepik вышел курс — «ML-инженер: от первой модели до продакшена» Хотите не просто натренировать модель в ноутбуке, а довести её до реального продукта? Этот курс — полный путь от основ до production. • Математика и Python: линейная алгебра, статистика, NumPy, Pandas, визуализация (Matplotlib, Seaborn, Plotly) • Классика ML: регрессия, KNN, деревья решений, Random Forest, SVM, Naive Bayes • Ансамбли: XGBoost, LightGBM, CatBoost, подбор параметров (Optuna, Hyperopt), MLflow • Deep Learning: PyTorch и TensorFlow/Keras, CNN, RNN/LSTM, Attention, Transfer Learning • Работа с данными: парсинг (BeautifulSoup, Scrapy), SQL/API, feature engineering • Продвинутые задачи: рекомендательные системы, временные ряды (ARIMA, Prophet), SHAP и LIME • MLOps: FastAPI, Docker, деплой в облако, мониторинг моделей • Подготовка к собеседованиям: технические вопросы, системный дизайн, SQL, портфолио 🎓 Сертификат — добавьте в резюме или LinkedIn 🚀 Скидка 25%, действует 48 часов 👉 Пройти курс на Stepik

📄 Nanonets-OCR2-3B - новая модель для интеллектуального OCR Модель от Nanonets на базе Qwen2.5-VL-3B умеет не просто распознавать текст, а превращать изображение документа в структурированный Markdown: с таблицами, формулами, подписями и даже схемами. 🔍 Что умеет - Распознаёт формулы и преобразует их в LaTeX - Понимает таблицы и сохраняет структуру в Markdown или HTML - Выделяет чекбоксы и радиокнопки (☐ / ☑ / ☒) - Распознаёт подписи, водяные знаки, изображения - Может описать картинки внутри документа с помощью <img> -Поддерживает рукописные тексты и разные языки - Для схем и блок-схем генерирует Mermaid-код - Умеет отвечать на вопросы по документу (Visual QA) 👉 huggingface.co/nanonets/Nanonets-OCR2-3B

Твой шанс прокачаться в ИТ, заявить о себе на всю страну и побороться за призовой фонд 10 250 000 рублей 💰 Успей зарегистрироваться до 20 октября. МТС приглашает на True Tech Champ — всероссийский чемпионат по программированию. Выбирай трек по душе или участвуй сразу в двух, чтобы увеличить шансы на победу. Трек 1. Алгоритмический. Индивидуальный зачет Работай со структурами данных, решай алгоритмические задачи и сражайся в лайв-кодинге с сильнейшими. Трек 2. Программирование роботов. Командный формат Сначала проведи робота по виртуальному лабиринту, затем управляй им дистанционно на офлайн-полигоне, а в финале — пройди испытания на реальной площадке и выбей соперников с платформы. 🎁 Организаторы отправят командам финалистов по одному роботу Waveshare Cobra Flex для кастомизации. После соревнований они останутся у участников в качестве подарка. Тебя ждет: — Зрелищный шоу-финал с искусственным интеллектом, цифровыми аватарами и другими технологиями. — Конференция с лидерами индустрии, кодерские челленджи и возможность прокачать ИТ-навыки. — Шанс лично пообщаться с HR-специалистами МТС и получить карьерный буст. 📍Шоу-финал пройдет 21 ноября в МТС Live Холл. ⏰ Успей зарегистрироваться до 20 октября