Машинное обучение RU

🧬 Google представила AlphaGenome Atlas - карту возможных одноточечных изменений ДНК Атлас содержит прогнозы последствий примерно 9 млрд возможных замен одной «буквы» человеческого генома. Общий объём данных - около 1 петабайта. Исследователи смогут изучать, как такие изменения влияют на молекулярные процессы, включая регуляцию генов. Отдельная оценка Variant Impact Score помогает выбирать потенциально значимые варианты для дальнейшей проверки. Данные доступны для некоммерческих исследований. Коммерческий доступ через Google Cloud планируется позже. Атлас содержит предсказания ИИ: влияние конкретных вариантов ещё нужно подтверждать экспериментально. https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

🔥 Приглашаем на бесплатный открытый вебинар курса «ИИ-агенты: продвинутое внедрение и использование»: «AI-агенты против Junior-разработчиков: кто кого заменит к концу 2026 года» 🗓 Когда: 14 сентября, 20:00 (мск) Вопрос уже не в том, появятся ли автономные кодинг-агенты, а в том, насколько быстро они изменят рынок труда. Что будет на вебинаре: • Что реально умеют автономные кодинг-агенты в июне 2026; • Live-демо: даём агенту реальную задачу с собеседования и смотрим, справится ли он; • Какие профессии в IT уже трансформировались, а какие — на очереди; В результате вебинара вы: • Узнаете реальные возможности и ограничения современных AI-агентов; • Поймёте, какие навыки точно останутся востребованными в ближайшие 3–5 лет; • Освоите подходы к использованию агентов как мультипликатора продуктивности ×10; • Получите практические рекомендации 👉 Зарегистрируйтесь https://otus.pw/XhIA/?erid=2W5zFGSoc5F Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

📘 Глубокое обучение на 189 страницах - бесплатная книга The Little Book of Deep Learning Франсуа Флёре, профессора Женевского университета, объясняет основы обучения нейросетей и устройство популярных архитектур. Внутри: * градиентный спуск и обратное распространение ошибки; * переобучение, dropout и нормализация; * свёрточные сети, attention и трансформеры; * генерация текста и изображений; * квантование, адаптеры и объединение моделей. Краткие объяснения сопровождаются формулами и схемами. PDF специально свёрстан для чтения с телефона. Книга на английском. https://fleuret.org/public/lbdl.pdf #DeepLearning #MachineLearning #DataScience

На прошедших выходных прошла вторая встреча AI VK & Pro — место, где лиды ML и RecSys из бигтеха могут обсудить актуальные тренды, рабочие подходы, инженерные задачи и обменяться опытом в узком кругу. В этом году AI VK & Pro прошла в гольф-клубе. Там лиды AI VK поделились свежими апдейтами Discovery-платформы и презентовали технологии Discovery. Коротко о главном: 🟣сегодня Discovery-платформа обрабатывает больше 1,5 млн событий в секунду 🟣на базе платформы работают технологии Discovery: нейропоиск Discovery AI, нейросетевое ранжирование и нейропрофиль пользователя, который объединяет сигналы об интересах из разных продуктов VK 🟣инфраструктуру нового рекомендера можно поднять за 2 часа 🟣80% факторов ранжирования конфигурируются no-code 🟣благодаря более точному пониманию интересов пользователей алгоритмы быстрее находят подходящую аудиторию для авторов 🟣VK Реклама на 50% перешла на инфраструктуру единой Discovery-платформы 📷 Как это было — собрали в фоторепортаже. #aivkhub #discovery #митап #репортаж

AI VK снова собрала на закрытой встрече AI VK & Pro лидов и экспертов в области RecSys и ML. В этом году она прошла в гольф-клубе. Говорили о рекомендательных технологиях, персонализации и Discovery-платформе VK. Команда рассказала о нейропрофиле, нейросетевом ранжировании и нейропоиске Discovery AI — и о том, как эти технологии помогают точнее подбирать контент для пользователей и находить аудиторию для авторов. Формат получился скорее дружеским, чем формальным: небольшое выступление, обсуждение инженерных задач и много общения друг с другом.

Препарат, разработанный с помощью ИИ, снизил показатели биологического возраста у пациентов. Что это означает Участники небольшого исследования получали рентосертиб – экспериментальный препарат против идиопатического лёгочного фиброза. При этом заболевании в лёгких образуется рубцовая ткань, из-за чего человеку становится сложнее дышать. После лечения исследователи обнаружили изменения в белках крови: несколько вычислительных моделей оценили образцы как более «молодые». Работа опубликована в Nature Biotechnology. Как здесь использовали ИИ Рентосертиб разрабатывает Insilico Medicine. ИИ помог выбрать молекулярную мишень TNIK, связанную с развитием фиброза, а генеративная модель – спроектировать и оптимизировать молекулу, которая её блокирует. Затем препарат прошёл лабораторные исследования и испытания на людях. В исследовании фазы 2a участвовал 71 пациент, лечение продолжалось 12 недель. Основной задачей была оценка безопасности и переносимости. Описание клинической программы. Авторы предлагают включать такие измерения в обычные клинические испытания: брать образцы крови и проверять, влияет ли лечение на связанные со старением процессы. Это может помочь раньше находить препараты для дальнейшего изучения. Рентосертиб остаётся экспериментальным препаратом. Его способность замедлять старение или продлевать жизнь людей пока не установлена. Подробности - https://uproger.com/preparat-razrabotannyj-s-pomoshhyu-ii-snizil-pokazateli-biologicheskogo-vozrasta-u-paczientov-chto-eto-oznachaet/

🖥 Дженсен Хуанг заявил, что с выходом GPT-6 Astra «AGI уже наступил» Глава Nvidia сообщил, что модель обучалась на инфраструктуре с более чем 100 тысячами Grace Blackwell, объединёнными через NVLink. Путь от появления ChatGPT до Astra занял около четырёх лет. Вскоре к инфраструктуре добавят ещё 400 тысяч ускорителей, и связывает дальнейшее масштабирование с возможным движением к ASI и рекурсивному самосовершенствованию AI-систем. https://x.com/JensenHuang/status/2096700264569090384 @ai_machinelearning_big_data #openai #agi #chatgpt

AGI так работает

🧠 Sapient начала двигаться в сторону looped reasoning ещё до того, как эта идея стала частью frontier-дискуссии. В июне 2025 компания представила Hierarchical Reasoning Model, а в мае открыла его текстовую версию. Модель может тратить больше вычислений не только за счёт глубины обычного Transformer, а многократно обновляя внутреннее состояние через рекуррентные циклы. Теперь похожий подход с recurrence в latent space активно обсуждается уже вокруг OpenAI GPT-6 Astra. Sapient сделала эту ставку ещё до широкой валидации индустрией — и выпустила модель, которую можно изучать, дообучать и разбирать по архитектуре. Hugging Face: https://huggingface.co/sapientinc/HRM-Text-1B GitHub: https://github.com/sapientinc/HRM-Text

LFM2.5-2.6B - компактная reasoning-модель всего на 2,6 млрд параметров, которую можно запускать даже на телефоне. При этом её специально обучали под агентные задачи: - планирование - вызов инструментов - многошаговые сценарии - работа внутри агентных фреймворков На этапе дообучения использовали agentic reinforcement learning прямо внутри реальных агентных окружений, включая OpenClaw и Hermes Agent. Если уже пользуешься OpenRouter, попробовать модель можно буквально заменой имени: liquid/lfm-2.5-2.6b:free То есть полноценную небольшую agentic-модель можно протестировать бесплатно и без тяжёлого локального железа. https://openrouter.ai/liquid/lfm-2.5-2.6b:free

Ant Group открыла финансовую модель Ling-3.0-flash-Fin и новый бенчмарк FinFIRST Ling-3.0-flash-Fin - это специализированная модель для реальных финансовых задач, а FinFIRST - бенчмарк, который проверяет не только финальный ответ, но и весь процесс исследования. Что умеет модель: - искать и проверять источники; - анализировать отчётность; - строить оценки и valuation-модели; - обновлять сложные таблицы; - готовить редактируемые финансовые отчёты; - работать в приватных развёртываниях. По архитектуре это 124B MoE, но на каждый токен активируется только 5.1B параметров. Контекст - около 256K. После финансового дообучения её результат в AA Intelligence Index вырос с 38 до 41. На FinFIRST модель набрала 82.45% по проверке источников, что выделяет её среди протестированных открытых моделей. Сам FinFIRST включает 123 задачи, написанные экспертами, и оценивает их по 701 атомарному критерию: проверяются источники, определения, ход анализа и корректность вывода, а не только конечный ответ. Модель: https://modelscope.ai/models/inclusionAI/Ling-3.0-flash-Fin Бенчмарк: https://modelscope.ai/datasets/inclusionAI/FinFIRST

Дообучить 8B-модель теперь можно локально даже на ноутбучной GPU с 4 ГБ VRAM. Soup держит замороженные веса модели в оперативной памяти и по очереди загружает на GPU только один слой декодера. За счёт этого пиковое потребление видеопамяти остаётся ниже 4 ГБ. Заявленные результаты на RTX 3050: - 3,32 ГБ VRAM в пике - до 119,6 токена/с - результат побитово совпадает с обычным запуском - вся настройка через один YAML-файл Идея простая: вместо попытки целиком уместить 8B-модель в видеопамять слои последовательно передаются между RAM и GPU. https://github.com/MakazhanAlpamys/Soup

⚡️Anthropic представила Claude Fable 5.1 и Mythos 5.1. Главное: - Fable 5.1 заметно сильнее в кодинге, агентных задачах и исследованиях - Terminal-Bench Science: 52,6% против 24,7% у Fable 5 типичные задачи стали примерно на 25% дешевле в сложных агентных сценариях экономия может доходить до 45% -Mythos 5.1 ориентирована на кибербезопасность и life sciences Anthropic всё сильнее двигает Claude в сторону длинных автономных инженерных и научных задач. https://www.anthropic.com/claude-fable-and-mythos-5-1

От идеи до продакшна < 3 месяцев, менять государственные и бизнес процессы — ты готов ? 🚀 Прямо сейчас Сбер ищет NLP-специалиста в команду, которая внедряет передовые harness в масштабные процессы, создаёт мультиагентные сценарии, RAG для миллионов документов, OSINT/deep‑research. Ты будешь работать с передовым LLM‑стеком: LangChain и LangGraph, vLLM и PEFT/LoRA, полным RAG‑стеком, Vector DB (Qdrant, Weaviate) и инфраструктурой на FastAPI, Pydantic и asyncio. Попасть в команду можно за 1 день — если пройдёшь все этапы отбора на One Day Offer, который состоится уже 5 сентября. Регистрируйся по ссылке — количество слотов стремительно уменьшается! 💚

🔥 Deep Agents from Scratch 0 курс по созданию продвинутых AI-агентов с нуля LangChain собрала 5 ноутбуков на LangGraph, где агент постепенно усложняется: от обычного ReAct-цикла до полноценного research-agent. Что разбирают: - базовый ReAct: reasoning + action - планирование через TODO и статусы задач - вынос контекста в виртуальную файловую систему - чтение, запись и редактирование файлов - делегирование задач sub-agents - параллельная работа специализированных агентов Хороший вариант для тех, кто хочет понять не только как вызвать готового агента, а как он реально устроен внутри. MIT License. https://github.com/langchain-ai/deep-agents-from-scratch

🔥 Приглашаем на бесплатный открытый вебинар курса «ИИ-агенты: продвинутое внедрение и использование»: «Построение программ без кода: создание умного помощника и автоматизаций в n8n» 🗓 Когда: 31 августа, 20:00 (мск) Low-code-платформы открывают новые возможности для бизнеса: теперь автоматизировать рутину и создавать полезных ИИ-помощников можно без сложного программирования. На вебинаре разберём, как с помощью n8n собирать рабочие процессы под любые задачи — от простых уведомлений до полноценных интеллектуальных агентов. Что будет на вебинаре: • Как устроена low-code-платформа n8n и по какой логике в ней создаются рабочие процессы; • Как собирать автоматизации из триггеров, условий и действий; • Как проектировать workflow для решения повседневных рабочих задач; • Как создать персонального умного помощника и подключить его к внешним сервисам и данным; 👉 Зарегистрируйтесь https://otus.pw/77Bv/?erid=2W5zFJDNsQV Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

OpenAI массово закупает Mac mini и Mac Studio для обучения AI-агентов. По данным The Information, компания уже приобрела десятки тысяч компьютеров Apple и пытается купить ещё. Их используют для reinforcement learning моделей, которые учатся работать с компьютером: управлять интерфейсом, приложениями и выполнять действия как обычный пользователь. Похоже, этот спрос уже заметен и в отчётности Apple. Выручка Mac в июньском квартале достигла $10,3 млрд - рост на 29% год к году. Это быстрее, чем у любой другой категории Apple, по которой компания раскрыла динамику. Mac всё заметнее превращается из обычного пользовательского компьютера в инфраструктуру для AI-разработки. https://www.theinformation.com/articles/apple-stumbled-ai-hardware-success-mac