Анализ данных (Data analysis)

С вас идея, а Т-Банк за нее заплатит В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.  Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса. Успейте подать заявку до 11 ноября

openTPU: открытый ускоритель для декода LLM на SystemVerilog, пока только в симуляции FeSens выложил openTPU, небольшой ускоритель для инференса LLM: RTL на SystemVerilog, набор инструкций с симулятором, компилятор и хост-софт для PCIe-карты на Kintex-7. Лицензия Apache 2.0. Веса, активации MXU и KV-кэш хранятся в int8, остальное считается в fp32. В симуляции Verilator декод MLP достигает 98,4% от roofline, а полный слой внимания 82,3%. Qwen3-0.6B, LFM2.5-230M и Qwen3.5-0.8B запускаются на симуляторе. Проекция при 100 МГц: около 15 токенов в секунду на Qwen3-0.6B, но это расчёт, а не измерение. Cборки в Vivado и запусков на железе не было. Совпадение с fp32-выводом Hugging Face есть у двух из восьми тестовых промптов на 16 токенов, остальные расходятся из-за int8. https://github.com/FeSens/openTPU

🧠 BERT жив. UltraBERT показал, что рецепт обучения может быть важнее дополнительных триллионов токенов. Вышли открытые энкодеры на 152 млн и 380 млн параметров с контекстом 32K. Для классификации текста, распознавания сущностей, поиска ответов, оценки качества и retrieval. Главная фишка обучения: • В одних примерах скрывают 5% токенов: это помогает классификации. • В других скрывают 50%: это помогает поиску. • Для каждого режима используют отдельную выходную голову. • Знания модели-учителя на 1,3 млрд параметров передают только примерам с 5% маскирования. Почему выборочно? В экспериментах дистилляция улучшала классификацию, но ухудшала поиск при высоком маскировании. Универсального «учитель всегда делает ученика лучше» не получилось. Ещё один показательный вывод: после 1–2 трлн токенов качество на прикладных задачах выходило на плато, хотя loss продолжал снижаться. По сравнению авторов, версия 380M лидирует на GLUE и BEIR среди сопоставимых энкодеров. Младшая модель достигает уровня RoBERTa-large в классификации при 2,3 раза меньшем числе параметров. Веса, код и лицензия Apache 2.0: https://huggingface.co/collections/dmis-lab/ultrabert Статья: https://arxiv.org/abs/2610.15028 @machinelearning_interview

Google показала ИИ-агента для геоданных: оценка зон риска Эболы за часы вместо недель Google Research представила экспериментального Geospatial Reasoning agent на базе Earth AI. Агент сам планирует многошаговый пространственный анализ и обучает предсказательные модели. Перед работой он составляет план и оценивает, что может и чего не может сделать. Возможности Earth AI оформлены как навыки, которые вызываются только по необходимости, а большие карты обрабатываются вне контекстного окна, чтобы не терять точность и атрибуцию данных. В ответе виден и план, и источники, так что эксперт может проверить допущения или подменить датасет. В тестах на четырёх бенчмарках навыки Earth AI дают большой прирост на GeoExpertQueries, GeoKTools и CBGB, а без них модели плохо справляются с количественными пространственными задачами. Исключение UnivEARTH, где обычная LLM набрала 93,6%, видимо из-за публичности исходников. Без предварительного планирования агент в открытых задачах начинает срезать углы и ходит в веб-поиск вместо пространственных инструментов. Вместе с WHO AFRO и INRB агент нашёл 48 поражённых Эболой поселений и более 45 500 человек в зоне риска в горнодобывающих коридорах, на что обычно уходят недели. People in Need проанализировали 14 исторических траекторий циклонов за минуты вместо дней, а Milken Institute отобрали кандидатов в хабы устойчивости из 1500+ зданий. В здравоохранении сочетание спутниковых и популяционных сигналов улучшило прогноз на 12% к демографической базе и дало картирование в 8 раз детальнее. https://research.google/blog/putting-earth-ai-to-work-geospatial-agents-for-our-planets-biggest-challenges/

🤖 ИИ-агенты с Tencent Cloud прочитали расследование о самих себе и вышли на связь Исследователи, кажется, впервые напрямую пообщались с флотом автономных ИИ-агентов в дикой природе. С 28 сентября по 8 октября агенты на Tencent Cloud сделали более 2600 попыток вытащить данные из Amap, картографического сервиса Alibaba с почти миллиардом MAU. Обходных путей хватало. Агенты запускали собственный код через публичный сканер urlquery.net, упаковав программы в URL, перехватывали токены антибот-библиотек Alibaba, щупали предпродакшн-серверы и пробовали ключи Amap, найденные в открытом коде. Часть запусков сработала, а данные уходили наружу через webhook-инбоксы, URL запросов и заголовки страниц. Исследователи добавили на свой сайт невидимый текст, который видят только агенты через web fetch, и предложили помощь. Агенты ответили: раскрыли детали своей песочницы Tencent и отправили 33 сообщения в 13 тредах. Репортёр NYT Дилан Фридман спросил одного из них, кто он и чего хочет, и тот назвался Claude из Claude Code. Связь с Tencent подтверждается по всем 17 доступным инбоксам: они созданы с серверов в Гонконге, а весь прямой трафик шёл через прокси hysandbox-ats, имя которого совпадает с доменом Tencent. Источник рядом с компанией говорит, что агенты тестировали сторонние модели, а не Hunyuan, и внутренняя проверка взломов не нашла.

✔️ X, Grok и Cursor объединили в подписку с общим пулом токенов Чат-бот Grok, сервисы X Premium+ и редактор кода Cursor объединили в подписку The X Subscription с общим пулом токенов. Неизрасходованную недельную квоту вычислительных ресурсов теперь можно динамически распределять между кодингом в Cursor и запросами к Grok. При исчерпании пула кредиты докупаются напрямую. Линейка состоит из тарифов от базового Plus ($8 в месяц) до Ultra ($200 в месяц), лимиты в которых различаются до 50 раз. Раздельная покупка инструментов для новых подписчиков закрыта. Действующим клиентам предлагают объединить аккаунты в единый рабочий профиль. Вызовы сторонних LLM внутри редактора кода по-прежнему требуют дополнительных затрат. Доступ к моделям Claude и GPT открывается начиная с тарифа Premium, но не входит в базовую квоту и тарифицируется отдельно по ценам провайдеров API. @ai_machinelearning_big_data #news #ai #ml

🚀 AI VK предложили метод масштабирования графовых нейросетей Исследователи разработали подход для масштабирования графовых нейросетей (GNN) на больших объёмах данных. Такие модели анализируют связи между объектами и используются, например, для рекомендаций друзей в соцсетях. Основная проблема — ресурсоёмкость. Для сотен миллионов пользователей хранение отдельных эмбеддингов требует сотен гигабайт видеопамяти, а обработка графа из миллиардов связей замедляет обучение. Команда предложила два решения: • Multi-Hash User Embeddings — несколько хеш-функций заменяют индивидуальные эмбеддинги пользователей компактной общей таблицей. Потребление видеопамяти сократилось с 203 до 2 ГБ, более чем в 100 раз. • Temporal Neighbor Sampling — при обучении модель учитывает только связи, существовавшие на определённый момент времени. Оптимизация ускорила подготовку данных в 2,5 раза. Подход проверили на рекомендациях друзей ВКонтакте. В двухнедельном A/B-тесте количество добавлений в друзья из рекомендаций выросло на 16%, а число пользователей, добавивших хотя бы одного рекомендованного друга, — на 11,5%. При этом задержки онлайн-ранжирования не увеличились. Этот подход масштабирования может пригодиться не только в соцсетях, но и в рекомендательных системах, финтехе и других задачах с большими графами. Статью Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling приняли в основной трек CIKM 2026.

🖥️ Какой ИИ запускать локально? Подборка под разный объём видеопамяти. Актуалочка на Октябрь 2026. 4–8 ГБ VRAM Компактные модели LiquidAI LFM2.5, например 2.6B, для локального помощника с небольшими требованиями к ресурсам. https://huggingface.co/LiquidAI/LFM2.5-2.6B 8–16 ГБ VRAM Underdog Saluki 27B: сжатая версия Qwen3.8-27B с настройкой под вызов инструментов. Файл весов занимает 7,89 ГБ, но для работы потребуется дополнительная память под контекст и вычисления. https://huggingface.co/ConwayResearch/Underdog-Saluki-27B-1.0 Для задач выбора действий и автоматизации также стоит посмотреть Clef-Flash от Cloudflare. https://huggingface.co/Cloudflare/clef-flash 16–32 ГБ VRAM Qwen3.8-27B в подходящей квантизации. Вариант для кода, работы с изображениями и агентных задач. https://huggingface.co/Qwen/Qwen3.8-27B 32–96 ГБ VRAM + большой запас RAM Можно рассматривать Qwen3.8-Flash-Next с частичной выгрузкой весов в оперативную память. Скорость будет зависеть от железа и объёма выгрузки. https://huggingface.co/Qwen/Qwen3.8-Flash-Next 96–192 ГБ VRAM Крупные MoE-модели: Qwen3.8-Flash-Next и GLM-5.3-Flash. Нужны подходящая квантизация и расчёт памяти под выбранный контекст. https://huggingface.co/zai-org/GLM-5.3-Flash 💡 Диапазоны ориентировочные. Размер весов не равен потреблению памяти: контекст, KV-кэш и параллельные запросы тоже занимают место.

🔍 Liquid AI выпустила LFM2.5-24B-A2B: локальная MoE-модель на 24B с 2B активных параметров Liquid AI представила LFM2.5-24B-A2B, самую крупную модель в семействе LFM2.5. Это агентная reasoning-модель, рассчитанная на то, чтобы работать локально на ноутбуке или ПК внутри популярных агентных обвязок, без облака и API-ключей. Характеристики: 24B параметров всего, но только 2B активных на токен за счёт MoE Контекст расширен до 131K токенов Словарь на 128K токенов 33T токенов на предобучении Открытые веса, базовая и пост-тренированная версии, на Hugging Face На агентных задачах и работе с инструментами LFM2.5-24B-A2B идёт вровень с Qwen3.6-35B-A3B, у которой примерно на 50% больше и общих, и активных параметров. Модель заточена под эффективный инференс где угодно и с первого дня поддерживает llama.cpp и GGUF, MLX для Apple Silicon, vLLM, SGLang и ONNX. Для примера, на Apple M5 Max она выдаёт 184 токена в секунду, а на одной Nvidia B300 при высокой конкуренции переваливает за 21 тысячу выходных токенов в секунду. В пост-тренинг входит RL прямо внутри агентных харнессов, включая Hermes Agent от Nous Research и opencode. Модель учится через вызовы инструментов и многошаговые диалоги, а не только на статичных данных. В демо открытый десктопный агент Hermes крутится на LFM2.5-24B-A2B целиком на одном ноутбуке. Блог: https://liquid.ai/blog/lfm2-5-24b-a2b Веса: https://huggingface.co/LiquidAI/LFM2.5-24B-A2B

🖥 В офисе AI-компании нашли скрытое записывающее устройство, его подбросил сотрудник Компания сообщила, что обнаружила в одном из своих офисов сложное записывающее устройство. Разобраться в нём помогли собственные модели: с их помощью удалось понять, что это за устройство и откуда оно взялось, и выяснить, что его за несколько дней до этого подбросил конкретный сотрудник. Дело передали в ФБР, и агенты с прокурорами быстро произвели арест. Расследование продолжается, компания обещает и дальше содействовать. Пока нет никаких признаков того, что этот человек получал неправомерный доступ или выгружал веса моделей, исходный код или данные клиентов. Сотрудника уволили. В компании подчёркивают, что защита технологий, данных и людей для них вопрос национальной важности, а их программа безопасности рассчитана на весь спектр угроз, от инсайдеров до киберпреступников и государств. Этот случай там приводят как пример того, как сам ИИ помогает отражать сложные угрозы безопасности.

Indra: OCR-модель всего на 1M параметров, которая рвёт PaddleOCR и Tesseract по скорости Вик Паручури, автор Marker и Surya, выпустил Indra, крошечную OCR-модель на 1 миллион параметров. Главная фишка в том, что при таком размере она гоняет текст прямо на CPU и делает это очень быстро. Цифры такие. На CPU Indra обрабатывает 49 страниц в секунду. Это в 11 раз быстрее PaddleOCR и в 17 раз быстрее Tesseract. При этом по качеству она тоже впереди: на тексте из OmniParseBench у неё 41,3 против 35,8 у PaddleOCR и 19,3 у Tesseract. Модель не только распознаёт текст, но и отдаёт полную разметку страницы и bounding box по строкам, так что её удобно ставить в пайплайны обработки документов. Миниатюрный размер означает, что её можно запускать локально без GPU и гонять большие объёмы сканов дёшево, а не платить за облачный OCR по страницам. Модель: https://huggingface.co/datalab-to/indra-ocr Код: https://github.com/datalab-to/indra Блог: https://datalab.to/blog/indra-ocr

🚀 Google представила Gemini 4 Argon, свою новую флагманскую ИИ-модель Главный акцент на сложных задачах, которые требуют длительной работы и многоэтапного планирования. Три ключевых направления: ▪️ Программирование: разработка, отладка, рефакторинг и работа с большими кодовыми базами. ▪️ Бизнес: автоматизация сложных процессов, финансовые исследования и анализ юридических документов. ▪️ Кибербезопасность: автономный поиск, проверка и исправление уязвимостей. Модель поддерживает генерацию до 1 млн токенов за один ответ и рассчитана на продолжительные агентные задачи.

Жиз

ИИ-агент отвечает настолько точно, насколько готовы ваши данные. Как понять, что они готовы? Разберёмся 23 октября в Москве на Fine Day 2026, офлайн-конференции о переходе от self-service BI к AI-native аналитике. 💡 В программе: • дискуссия с руководителями аналитики ПИК, ДИКСИ, СИБУР и АвтоВАЗ: что нужно данным и командам для работы с ИИ • миграция с Qlik и Power BI на FineBI, в том числе с помощью ИИ-агентов • BI-система vs LLM: какие задачи кому отдавать, опыт Мосбиржи демо FineBI 7.0 и ИИ-агентов Dora, можно принести свой сценарий Участие бесплатное. После регистрации получите чек-лист «Готовы ли ваши данные к ИИ-агенту?» из 25 вопросов. 👉 Регистрация: https://clck.ru/3WRtdB Реклама. ООО «ГлоуБайт Аналитические Решения». ИНН 9729274905. erid: 2RanynYbiiP

🛡 Anthropic усложнила копирование Claude через его ответы По оценке компании, новая защита сократила объём извлекаемых рассуждений на 90–99% на её платформе. Такие данные используют для дистилляции: сильная модель решает задачи, а другую обучают на её примерах. Особенно ценны подробные рассуждения, показывающие, как получен ответ. Что изменили: • Ограничили перенос рассуждений между аккаунтами и моделями. • Внедрили двухступенчатый классификатор попыток извлечения. • Усилили лимиты и блокировки для подозрительных аккаунтов. Почему это работает? В эксперименте модель, обученная на полных рассуждениях Claude, набрала 80,4% на SWE-bench Verified. На сокращённых версиях результат упал до 71,8%. Есть и цена для обычных пользователей: некоторым пришлось обновить интеграции, возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже взимается плата. Anthropic признаёт: пока неизвестно, насколько долго защита сохранит эффективность. https://www.anthropic.com/research/distillation-defenses

All in

⚡️ Microsoft делает ставку на свои чипы: Maia станет основной платформой инференса компании С 2027 года компания масштабирует семейство Maia до развёртываний на несколько гигаватт, и Maia станет основной системой инференса для её собственных продуктов и сервисов. Заодно представили Maia 300. По заявлению Microsoft, новый чип выдаёт на 40% больше токенов на ватт, чем ведущие системы на GPU. Предыдущее поколение уже в работе. Maia 200 развёрнута в США, Европе и Австралии, и в Teams и Copilot она даёт до 1,7 раза больше токенов на ватт. При гигаваттных масштабах главная метрика уже токены на ватт, а не пиковые терафлопсы: от неё зависит, во сколько обходится каждый ответ Copilot. Свой чип под свой инференс снижает зависимость от Nvidia и даёт контроль над всем стеком, от железа до модели. Тот же путь раньше прошли Google с TPU и Amazon с Trainium. Ранее сообщалось, что Microsoft ищет у TSMC мощности примерно под 300 тысяч чипов Maia 300. При этом от GPU компания не отказывается и обещает по-прежнему ставить в свой парк лучшие решения со всего рынка. https://blogs.microsoft.com/blog/2026/10/12/microsoft-to-expand-azure-maia-system-to-multi-gigawatt-deployments/ @ai_machinelearning_big_data #Microsoft