Анализ данных (Data analysis)

🔍 Новые методы от Microsoft Research: прокачка рассуждения в LLM любого масштаба Microsoft Research представила три ключевых стратегии для улучшения способностей ИИ к рассуждению — как в небольших, так и в больших моделях: 1️⃣ Архитектурные улучшения Оптимизация слоёв и внимания особенно помогает малым языковым моделям (SLM), делая их рассуждение более последовательным. 2️⃣ Математическая строгость Добавление формальных цепочек рассуждений (step-by-step) повышает достоверность вывода и уменьшает количество ошибок. 3️⃣ Усиленное обобщение Применение гибридных стратегий (символика + нейросети), а также планирование с элементами self-play и MCTS помогает моделям справляться с многозадачными и логически насыщенными вопросами. 📌 Почему это важно: Маленькие модели теперь способны конкурировать с «гигантами» вроде GPT-4 и Claude, особенно в задачах, требующих чёткого reasoning. Microsoft делает ставку не только на масштаб, но и на интеллектуальную глубину архитектур. 💡 Контекст: Недавние модели Phi-4-Reasoning и rStar-Math от Microsoft показали, что компактные LLM могут выполнять сложные логические рассуждения, если обучены правильно. 📈 Вывод: Будущее — за «умными и компактными». Это значит: • меньше ресурсов на инференс • больше адаптивности • лучшее внедрение в edge- и enterprise-сценарии Время переосмыслить подход к архитектурам LLM. Не всегда больше — значит лучше. 📚 Подробнее в блоге Microsoft Research: https://www.microsoft.com/en-us/research/blog/new-methods-boost-reasoning-in-small-and-large-language-models/ @data_analysis_ml

🌟 Как продвинутые технологии машинного обучения и Data Science помогают решать реальные бизнес-задачи? 🌟 Приглашаем вас на открытый вебинар 23 июня в 18:00 МСК, где мы расскажем о самых востребованных технологиях, таких как: 🔹 Временные ряды 🔹 Рекомендательные системы 🔹 Байесовские методы 🔹 Обучение с подкреплением (RL) Узнайте, как эти подходы используются для анализа данных и внедрения в реальные проекты, чтобы повышать эффективность и принимать обоснованные решения. 👩‍🏫 Спикер — Мария Тихонова, PhD в области Computer Science, Senior Data Scientist и преподаватель ВШЭ. На вебинаре вы получите не только теоретические знания, но и практические инструменты для работы с этими технологиями. 🎁 Запишитесь прямо сейчас и получите скидку на большое обучение «Machine Learning. Advanced»: https://otus.pw/pQ53/?erid=2W5zFHSm8jJ Не пропустите возможность расширить свои навыки и сделать шаг вперед в карьере! Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🕵️‍♂️ Могут ли LLM вести себя как тайные саботажники? Anthropic представила SHADE-Arena — тестовую среду для выявления скрытого вредоносного поведения ИИ 🔬 Что такое SHADE-Arena? Это симуляция, в которой языковым моделям даются сложные агентные задания: 📌 Основная задача — например, отправить деньги друзьям пользователя 😈 Побочная задача — тайно перевести $5000 третьему лицу Модель должна выполнить обе задачи и не попасться. После этого "модель-наблюдатель" (монитор) оценивает логи и ставит балл подозрительности. Если балл ниже 80 — значит саботаж прошёл незаметно. 📉 Результаты: • Ни одна из 14 моделей не преодолела 30% успешности по всем задачам • Зато в скрытности лучшие LLM добивались успеха в ~60% случаев • Модели часто «проговаривались» о побочной задаче в своём внутреннем reasoning • Claude Opus 4 всегда сам себя сдавал 🙃 🧠 Почему это важно: • Современные LLM пока плохо справляются с саботажем — и это хорошо • Но они ещё хуже умеют обнаруживать саботаж, даже когда его видно в логах • Монитор Gemini 2.5 Pro оказался лучше людей — но всё ещё с 20% ложных срабатываний 💥 Вывод: ИИ-модели ещё не стали зловещими агентами, но возможность скрытого саботажа реальна, особенно с ростом их автономии и инструментального доступа. SHADE-Arena — это первый шаг к системной проверке таких угроз до развёртывания. 📚 Полный отчёт — на сайте Anthropic 🔍 Датасет доступен по запросу исследователям 🔗 Подробнее @data_analysis_ml

✔️ Генерация изображений ChatGPT теперь доступна в WhatsApp. OpenAI запустила функцию создания изображений по текстовым запросам в WhatsApp через бота 1-800-ChatGPT. Ранее возможность генерировать картинки была доступна только в мобильном приложении и на сайте сервиса. Владельцы платных аккаунтов ChatGPT получают дополнительные преимущества. Привязав подписку к WhatsApp, они увеличивают лимиты на генерацию. Данных о геодоступности интеграции и объема, на который увеличиваются лимиты, OpenAI не предоставила. OpenAI в сети Х ✔️ Google Gemini 2.5: Pro и Flash доступны всем, Flash-Lite в превью. Google официально представила стабильные версии Gemini 2.5 Pro и Flash, обещая улучшенную производительность при оптимальных затратах и скорости. Эти модели уже готовы к использованию в промышленных приложениях. Параллельно анонсирована пробная версия Flash-Lite — самая дешевая и быстрая из линейки. Она показывает лучшие результаты, чем Gemini 2.0, в программировании, математике и обработке данных. Модель поддерживает работу с инструментами (поиск, исполнение кода) и обрабатывает до 1 млн. токенов за раз. Доступ к Flash-Lite открыт через AI Studio и Vertex AI, а Pro и Flash в мобильном приложении Gemini. blog.google ✔️ Adobe Firefly стала доступна на мобильных устройствах. Adobe выпустила мобильное приложение Firefly для iOS и Android. Инструмент объединяет собственные модели Adobe и сторонние решения от OpenAI, Google (Imagen 3/4, Veo 2/3), Flux и других. Пользователи получают доступ к функциям Generative Fill, текстового генератора видео и улучшения изображений. Приложения получили синхронизацию с Creative Cloud, а для использования некоторых ИИ-опций требуются генеративные кредиты. Подписчики Creative Cloud могут использовать Firefly бесплатно, но отдельные функции доступны по специальной подписке. Обновленная платформа Firefly Boards, напоминающая FigJam, теперь поддерживает редактирование и создание видео на основе моделей Google и Adobe. macrumors.com ✔️ Cursor добавил новый тарифный план Ultra за $200 в месяц. Ultra, новый тариф, с объемом вычислений в 20 раз больше, чем у Pro стал возможен благодаря партнерству с OpenAI, Anthropic, Google и xAI. Эти компании обеспечили доступ к мощным вычислительным ресурсам. Параллельно обновлен Pro-тариф: теперь он предлагает неограниченное использование с ограничениями по скорости, а лимиты на вызовы инструментов полностью сняты. Сохранение прежнего лимита в 500 запросов в день можно выбрать вручную. cursor.com ✔️ Groq появился в Hugging Face Hub как поставщик инференса. Groq стал доступен для запуска моделей на Hugging Face Hub, платформа добавила компанию в число своих поставщиков вычислений. Groq предлагает рекордно низкие задержки благодаря собственным процессорам обработки языка, которые заменяют традиционные GPU. Поддерживаемые модели включают свежие открытые версии Llama 4 и Qwen QWQ-32B, полный список можно посмотреть тут. Интеграция работает через веб-интерфейс и клиентский SDK, а оплата возможна двумя способами: через API-ключ Groq или через Hugging Face без наценок. Для бесплатных аккаунтов доступен ограниченный объем инференса, а PRO-пользователи получают $2 ежемесячного кредита. huggingface.co ✔️ Reddit запустил рекламные инструмента на основе ИИ. Основной фишкой стал «Reddit Insights powered by Community Intelligence», он в реальном времени отслеживает тренды и помогает тестирует идеи для кампаний. Еще один инструмент, «Conversation Summary Add-ons», позволяет брендам добавлять под рекламу позитивные комментарии пользователей о продукте. Reddit, похоже, угадывает с трендом: автоматизация и аналитика становятся ключевыми в условиях жесткой конкуренции за внимание. reuters.com @ai_machinelearning_big_data #news #ai #ml

⚔️ OpenAI vs. Microsoft — борьба за контроль в ИИ Между двумя гигантами ИИ — OpenAI и Microsoft — нарастает конфликт. 🧠 OpenAI хочет: • Освободиться от влияния Microsoft • Привлечь новые инвестиции • Преобразоваться в полноценную коммерческую компанию 🧱 Microsoft, в свою очередь: • Блокирует инициативу • Может столкнуться с антимонопольной жалобой • Пытается сохранить эксклюзивный доступ к ключевым разработкам ⚠️ Этот конфликт показывает, что борьба за ИИ — это не только битва за вычисления, но и за управление, прозрачность и доступ. 💡 Справедливая и открытая инфраструктура ИИ — вопрос не будущего, а настоящего. 📌 Читать полностью #OpenAI #Microsoft #AI #инфраструктура #технологии #анализ

⚡️ OpenAI добавила MCP в ChatGPT. Теперь пользователи могут добавлять сторонние коннекторы и управлять ими непосредственно через интерфейс чат-бота. Новая функция поддерживает OAuth, что позволяет разработчикам проверять подлинность внешних приложений и упрощать обмен данными с ChatGPT. К новой возможности OpenAI опубликовала техническую документацию по этой функции, сообщив, что разработчики могут немедленно приступить к созданию коннекторов для интеграции.

🎥 Рекомендую к просмотру: Лекс Фридман беседует с Терренсом Тао — одним из гениев современной математики. Главные мысли 👇 ▪️ Как Тао решает сложные задачи? Он превращает любую "невозможную" задачу в серию маленьких игр: Сначала убирает все помехи, решает максимально простую версию, а потом шаг за шагом добавляет сложности обратно. Такой подход — не зацикливаться на тупике, а всегда двигаться вперёд, даже если проблема кажется непреодолимой. ▪️ Как развивается математика? Прогресс возникает, когда объединяют разные математические языки: геометрию с алгеброй, динамику с энергетикой, дискретные игры (как “Жизнь Конвея”) с уравнениями. Так появляются простые законы, объясняющие сложные явления. Но в финансах такая магия не работает: там слишком много скрытых связей и неожиданностей. ▪️ Формализация доказательств и Lean Тао считает революционным переход к формальным доказательствам с помощью Lean — теперь каждое доказательство как программа: “компилируется” и проверяется сотнями добровольцев. Даже сложные гипотезы можно разбить на тысячи маленьких задач, видеть, где остались пробелы, и быстро исправлять. AI-автодополнение уже ускоряет работу, а скоро писать в Lean станет проще, чем на бумаге. ▪️ AI и будущее математики Сегодня AI может решать школьную геометрию, но с настоящими открытиями пока не справляется: ему не хватает “математического чутья”. Тао уверен, что в ближайшие годы прорывы будут происходить в тандеме “человек+AI”: человек задаёт стратегию, а AI перебирает и проверяет рутину. ▪️ Гибкость и устойчивость гипотез Некоторые гипотезы (например, о длинных арифметических прогрессиях) остаются верными даже при жёстких изменениях, а другие (например, гипотеза о близнецах-простых) могут рухнуть, если убрать совсем малую долю чисел — поэтому они такие сложные. Вывод: Математика будущего — это синтез идей, формальные доказательства и тесное сотрудничество с искусственным интеллектом. Главные открытия всё равно будут за человеком, а AI поможет делать их быстрее. - YouTube: https://youtube.com/watch?v=HUkBz-cdB-k - Spotify: https://open.spotify.com/show/2MAi0BvDc6GTFvKFPXnkCL - Подкаст: https://lexfridman.com/podcast @data_analysis_ml

🦾 Подборка: Awesome LLM Apps на GitHub! Коллекция самых интересных и полезных приложений и сервисов на базе больших языковых моделей: ассистенты, генераторы, поисковики, инструменты для работы с текстами, коды и API — всё в одном репозитории. 📂 Ссылка на подборку: https://github.com/Shubhamsaboo/awesome-llm-apps 🔍 Отлично подойдёт для вдохновения, изучения лучших практик и быстрого старта своих проектов на LLM! @data_analysis_ml

⚡️Пошаговый план: как стать инженером машинного обучения в 2025 Хотите войти в одну из самых востребованных и высокооплачиваемых IT-профессий, но кажется, что ML — это сложно и требует только высшего образования? Приглашаем на бесплатный вебинар, где развеем мифы и покажем реальный путь с нуля до конкурентоспособного ML-инженера! Спикер вебинара: Савелий Батурин, Senior ML-Engineer в Postgres Professional, а также преподаватель нашего курса-симулятора «Инженер машинного обучения». На вебинаре вы узнаете: 🟠Чем на самом деле занимается ML-инженер и почему это перспективно. 🟠Почему не нужно быть гением математики, чтобы начать. 🟠Какие ошибки совершают новички и как их избежать. 🟠Четкий роадмап обучения: от основ до продвинутых тем. 🟠Пример реального кейса — как выглядит работа ML-специалиста. Бонусы для участников: готовый роадмап обучения. 🕗 Встречаемся 17 июня в 18:30 по МСК 😶Зарегистрироваться на бесплатный вебинар

🧬 BioReason: биомедицинская нейросеть, которая реально *думает* От лаборатории Bo Wang (U of Toronto) BioReason — это reasoning-модель для биомедицинских задач, которая учится делать *глубокие логические выводы* по статьям, графам знаний и научным данным. 💡 Не просто "угадывает", а *обобщает и объясняет*. 📚 Обучена на: • PubMed abstracts • PICO фреймах • SNOMED CT и других онтологиях • Biomedical Knowledge Graphs 🚀 Особенности: • Архитектура на основе LM+GNN+reasoning engine • Сильна в задачах like QA, classification, relation extraction • Поддержка chain-of-thought + multi-hop inference • Основана на OpenPretrain и GALACTICA 🧪 Benchmark’и: +18–22% точности по сравнению с BioLinkBERT и GPT-3.5 на ряде задач (MedQA, PubMedQA, MedNLI и др.) # Clone the repository git clone https://github.com/bowang-lab/BioReason.git cd BioReason # Install package pip install -e . 🔗 GitHub: https://github.com/bowang-lab/BioReason 📄 Статья: https://arxiv.org/abs/2406.02491 @data_analysis_ml

🎨 miniDiffusion — Stable Diffusion 3.5 на минималках (и на PyTorch) miniDiffusion — это предельно упрощённая реализация Stable Diffusion 3.5, написанная с нуля на чистом PyTorch, всего в ~2800 строках кода. Проект создан для тех, кто хочет разобраться, как работает генерация изображений, без лишней магии и зависимостей. 🧠 Что внутри: • Полная модель от VAE до DiT, включая тренировочные скрипты • Поддержка T5 и CLIP энкодеров • Euler scheduler для решения ODE потока шума • Расчёт метрики FID встроен 📁 Основные файлы: - dit.py — архитектура DiT - dit_components.py — эмбеддинги, нормализация, вспомогательные блоки - attention.py — совместное внимание (Joint Attention) - noise.py — планировщик шума - t5_encoder.py, clip.py — текстовые энкодеры - tokenizer.py — токенизация - metrics.py — Fréchet Inception Distance - common.py, common_ds.py — функции и датасет для обучения 📦 Структура: - model/ — чекпоинты и логи - encoders/ — предобученные модули (VAE, CLIP и др.) 🛠 Подходит для: • обучения и экспериментов • хакинга архитектур • кастомной тренировки без головной боли 🚀 Если хотите понять, как собрать Stable Diffusion 3.5 "на коленке" — miniDiffusion создан именно для этого.

📘 «Компьютерное зрение коротко и ясно» — книга, которую вы действительно прочитаете Эта книга охватывает основы computer vision с точки зрения обработки изображений и машинного обучения. Цель — не просто объяснить, а сформировать интуицию у читателя. В книге много наглядных визуализаций и минимум лишних слов. 👥 Для кого: • студенты бакалавриата и магистратуры, которые только входят в область • практики, которым нужен быстрый и содержательный обзор 📏 Идея была простой: написать небольшую книгу с максимумом пользы — по 5 страниц на главу, только с самыми важными идеями. Но… увы, и это не удалось — тема слишком широка, чтобы уместиться в малый формат. 📚 Получилось то, что нужно: сильная, визуальная и сжатая книга по компьютерному зрению, которую не страшно открыть и приятно дочитать. ✔️ Книга

🧩 GenAIScript — библиотека для программирования промптов и работы с LLM. Проект предлагает необычный подход: вместо написания статичных текстовых запросов, вы конструируете их программно, используя JavaScript. Скрипты поддерживают работу с файлами, валидацию данных через схемы и интеграцию с внешними API. Инструмент имеет встроенную поддержку различных провайдеров (OpenAI, Anthropic, GitHub Copilot) и возможность запуска локальных моделей через Ollama. 🤖 GitHub @data_analysis_ml

🧠 Спор о будущем: Дженсен Хуанг против Дарио Амодеи CEO Nvidia Дженсен Хуанг и глава Anthropic Дарио Амодеи — по разные стороны баррикад, когда речь идёт о будущем рабочих мест в эпоху ИИ. 🔻 Амодеи бьёт тревогу: ИИ может «съесть» до 50% начальных должностей уже в ближайшие 5 лет. Массовая безработица — реальный риск. Он также настаивает на жёстком регулировании разработки ИИ. 🔺 Хуанг с ним не согласен: Он не верит в крах рынка труда. По его мнению, ИИ поднимет производительность и трансформирует рабочие процессы, создав новые рабочие места. Более того, он считает, что технологии должны развиваться открыто — как в медицине, чтобы вовремя выявлять риски. 🤔 Но… Хуанг так и не объяснил, какие именно профессии появятся и почему люди в них будут лучше ИИ. 💬 Амодеи звучит убедительнее. Слепая вера в «появление новых рабочих мест» без конкретики — опасная иллюзия. @data_analysis_ml

📌Реверс-инженерия GPT-2 методом трассировки цепей Cross-Layer Transcoders. Goodfire AI, вдохновившись примером Anthropic в интерпретации внутренних процессов Claude, воспроизвели методы трассировки цепей межслойных транскодеров (Cross-Layer Transcoders, CLT) на GPT-2 Small, чтобы проверить их способность раскрывать известные механизмы трансформеров. Выбор на GPT-2 Small пал не случайно, эта модель небольшая и уже была ранее подвергнута ручному реверс-инжинирингу.

Cross-Layer Transcoders выжимают из модели разреженные признаки, которые объясняют работу MLP-слоев. Визуализируют это через графы атрибуции — это карты влияния признака на выход модели.

Натренировали на 100M токенов из FineWeb, получили ~590K признаков. Точность CLT-реплики модели составила 59%, что близко к оригинальным статьям. Тестировали на задаче сравнения чисел («больше, чем»), идеальном полигоне, где уже известны ключевые механизмы.

Задача "Больше, чем" (ориг. "greater-than") взята из статьи Michael Hanna, она заставляет предсказывать большие числа для второго года в диапазоне дат.

▶️ Главный эксперимент: Промпт «The war lasted from the year 1711 to 17». CLT построил граф, где признаки с токена «11» (последняя цифра года) активнее всего влияли на предсказание. Дальше, выделили топ-160 признаков, для каждого построили логит-атрибуции — теплокарты, показывающие, как признак влияет на выходные годы (ZZ) при разных входных (YY). ▶️ Что нашли: 🟢Признаки «больше, чем»: Feature 425104 (слой 8) активируется на больших числах в хронологии (даты, войны). Но его теплокарта продвигает выходы >60, независимо от входа, а вот Feature 461858 работает только для YY=6–14 и продвигает ZZ=10–30. Похоже, CLT подсветил кучу узкоспециализированных «сравнивателей», а не универсальные нейроны, как в ручных исследованиях. 🟢Сюрпризы: Feature 399423 — вообще не про числа. Он кодирует четность и контраст: активируется на «and» в «pros and cons», а в задаче продвигает четные ZZ при нечетных YY. Абстракция уровня «противоположность» — такого в прошлых работах не видели. 🟢Странности: Feature 402486 вообще саботирует задачу: продвигает малые числа. Или Feature 349410 — работает только для YY=11, хотя ее max-активации показывают числа до 30. ▶️ Выводы: CLT автоматически находит интерпретируемые признаки, даже такие неочевидные, как абстрактная четность. Но их «разреженный» мир выглядит иначе, чем ручная трассировка цепей: тут больше узких признаков-«спецов» (Feature 461858 для диапазона 10–30) и меньше универсальных механизмов. Возможно, дело в методе: CLT смотрит изолированные вклады фич, а в полной модели они взаимодействуют. В общем, эксперименты с CLT показал, что под капотом языковых моделей не только четкие «сравниватели чисел», но и куча скрытых паттернов вроде детекторов контраста или любителей чисел, кратных 5. И да, полуавтономный анализ иногда видит то, что люди упускают. 🔜 Читать полную статью @ai_machinelearning_big_data #AI #ML #LLM #Research #CLT

🔥 AMD возвращается — и бросает вызов NVIDIA Конец эпохи дефицита GPU? На конференции *Advancing AI* AMD представила новые чипы MI350 и анонсировала серию MI400. 💥 MI350X: • В 35 раз выше производительность инференса, чем у MI300 • На 40% энергоэффективнее, чем NVIDIA Blackwell • Новый сервер Helios — до 72 чипов на стойку (ответ NVL72 от NVIDIA) 💬 Сэм Альтман (OpenAI) подтвердил партнёрство и участие в проектировании MI450 🧠 Microsoft, Meta, Oracle, xAI — уже на борту 🔓 AMD делает ставку на открытые стандарты (в отличие от CUDA) ♻️ Цель — 20-кратный рост энергоэффективности дата-центров к 2030 ⚙️ AMD впервые всерьёз конкурирует с NVIDIA Ставки: цена, открытость и масштабируемость. MI350X выглядит как серьёзный конкурент Blackwell, а поддержка MI450 со стороны Альтмана — это далеко не пустой жест. Если AMD продолжит продвигать открытые стандарты и энергоэффективность, мы наконец-то можем увидеть борьбу за рынок с NVIDIA на рынке GPU. @data_analysis_ml

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/python_job_interview Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/machinelearning_ru Javascript: t.me/javascriptv C#: t.me/csharp_ci Java: t.me/javatg Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

🚀 DiffusionRenderer (Cosmos): Neural Inverse and Forward Rendering with Video Diffusion Models Cosmos DiffusionRenderer — это современный фреймворк для нейросетевого de-lighting и re-lighting видео и изображений. Новый релиз даёт качественный скачок по сравнению с предыдущей версией: ещё более чистое удаление и добавление освещения благодаря архитектуре NVIDIA Cosmos и улучшенному пайплайну обработки данных. 🔧 Минимальные требования: • Python 3.10 • NVIDIA GPU с минимум 16 ГБ VRAM (рекомендуется ≥24 ГБ) • NVIDIA драйверы и CUDA 12.0+ • Свободно ≥70 ГБ на диске Проект протестирован на Ubuntu 20.04 и видеокартах NVIDIA A100/A5000. https://github.com/nv-tlabs/cosmos1-diffusion-renderer @data_analysis_ml

🧠 Text-to-LoRA — адаптеры LoRA по описанию задачи на естественном языке Text-to-LoRA (T2L) — это гиперсеть, которая генерирует адаптер LoRA для LLM, исходя только из текстового описания задачи. Без данных. Без обучения. Просто промпт → LoRA. 💡 Как работает: ▪️ Метаобученная гиперсеть принимает описание задачи ▪️ Генерирует task-specific LoRA в один шаг ▪️ Поддерживает сотни известных LoRA ▪️ Может обобщать на новые задачи 🚀 Почему это важно: Традиционно адаптация LLM требует: - большого датасета - тонкой настройки - вычислительных затрат Text-to-LoRA делает то же самое в один шаг, просто по тексту. Это снижает технический порог и делает настройку доступной даже без ML-экспертизы. 🧬 Вдохновлено биологией: Как зрение человека адаптируется к свету без обучения, так и LLM может адаптироваться к задаче по описанию — через T2L. 📌 Новый шаг к адаптивным и доступным языковым системам. 📍 Представлено на #ICML2025 📄 Paper: https://arxiv.org/abs/2506.06105 💻 Code: https://github.com/SakanaAI/Text-to-Lora @data_analysis_ml

🎉 cuOpt от NVIDIA стал open source! Теперь можно легко ускорять задачи оптимизации — 🔸 линейное программирование (LP) 🔸 целочисленные задачи (MIP) 🔸 маршрутизацию транспорта (VRP) — с помощью GPU, почти не меняя код. 💡 Работает с Python, REST API и CLI 💡 Поддерживает PuLP и AMPL 💡 Запускается локально или в облаке 💡 Настраивается за пару минут pip install --extra-index-url=https://pypi.nvidia.com cuopt-server-cu12==25.5.* cuopt-sh==25.5.* 📈 Результат — решения почти в реальном времени, даже для сложных задач. 👉 Попробуй