Анализ данных (Data analysis)

🧠 Google придумали способ сделать AI-модели быстрее и легче без потери точности В новом исследовании Google представили подход под названием Sequential Attention. Идея простая по смыслу, но мощная по эффекту - модель учится фокусироваться только на действительно важных частях вычислений, а всё лишнее постепенно отбрасывает. Почему это вообще проблема Современные нейросети огромные. Они: - считают слишком много - используют кучу признаков и параметров - тратят много памяти и энергии При этом далеко не всё, что модель обрабатывает, реально влияет на итоговый ответ. Но определить заранее, что важно, а что нет - математически очень сложно. Что делает Sequential Attention. Метод работает пошагово. Вместо того чтобы сразу использовать всё, алгоритм: 1. Выбирает один самый полезный компонент 2. Смотрит, что уже выбрано 3. Добавляет следующий, который даёт наибольшую пользу 4. Повторяет процесс последовательно То есть модель как будто собирает себя заново-— из самых значимых частей, а не из всего подряд. Что это даёт на практике - Меньше вычислений - модель работает быстрее - Меньше нагрузка на память и железо - Ниже энергопотребление - И самое главное - точность почти не страдает Это редкий случай, когда становится и быстрее, и дешевле, без серьёзных компромиссов по качеству. Размеры моделей растут быстрее, чем инфраструктура. Поэтому ключевой тренд - не просто делать модели больше, а делать их умнее в плане вычислений. Sequential Attention - это шаг в сторону “бережливого ИИ”, где: - не каждая операция обязательна - не каждый параметр нужен всегда - модель учится экономить ресурсы сама И чем крупнее системы, тем ценнее такие подходы. https://research.google/blog/sequential-attention-making-ai-models-leaner-and-faster-without-sacrificing-accuracy/? @data_analysis_ml

🎥 Kling 3.0 официально вышла. Новая версия делает серьёзный шаг в сторону полноценного “киношного” продакшена на базе ИИ. Что внутри: - Генерация видео 3–15 секунд в 1080p Стабильное качество и сильная консистентность - персонажи, сцены и стиль сохраняются между кадрами без резких искажений. - Нативный звук с несколькими персонажами Модель работает с диалогами и разными голосами внутри одной сцены. - Видео-персонаж как референс Можно загрузить или записать видео персонажа и использовать его как основу - с сохранением внешности и согласованности голосов. - Контроль стартового и конечного кадра Даёт больше режиссёрского контроля над сценой, переходами и логикой движения. - Новый Custom Multishot Инструменты для сборки сцен из нескольких шотов с сохранением целостности истории и визуала. Главное изменение - улучшенная динамика и “физика” движения. Движения, взаимодействия объектов, темп сцены и переходы стали достаточно согласованными, чтобы создавать ролики уровня “почти кино” - где motion, continuity и pacing ощущаются связно, а не как набор отдельных сгенерированных кусков. https://app.klingai.com/global/release-notes/whbvu8hsip?type=dialog

⚡️ ElevenLabs выложили новый open-source репозиторий - Skills Это набор plug-and-play инструментов для voice AI-агентов, которые можно подключать как готовые «навыки». Что внутри В пакете есть готовые модули: - text-to-speech - speech-to-text с таймкодами - голосовые агенты - генерация звуковых эффектов - музыка, сгенерированная ИИ То есть это не просто API, а строительные блоки для голосовых систем. Как это устроено Skills соответствуют спецификации Agent Skills, поэтому их можно использовать в агентных пайплайнах и подключать к инструментам для кодинга-агентов, например к OpenClaw. Интеграция Подключать можно через: - Python - TypeScript - cURL Всё работает поверх ElevenLabs API. По сути, это шаг к тому, чтобы голосовые возможности стали таким же стандартным «инструментом агента», как веб-поиск или выполнение кода. https://github.com/elevenlabs/skills

🚀 Вышла новая модель для кодинга - Qwen3-Coder-Next (линейка Qwen). Это open-weight LM, заточенная под кодинг-агентов и локальную разработку. Что внутри: 🤖 Около 800K проверяемых задач + окружения, где код можно реально исполнять, а не просто генерировать текст. 📈 Баланс эффективность / качество Модель с 80B общих параметров и ~3B активных показывает сильные результаты на SWE-Bench Pro при относительно экономичном инференсе. ✨ Экосистема инструментов Заявлена поддержка сценариев с агентами и дев-инструментами: OpenClaw, Qwen Code, Claude Code, веб-разработка, работа через браузер, Cline и т.д. В целом это ещё один шаг к моделям, которые проектируются не просто как "LLM для текста", а как движок для реальных кодинг-агентов. 🤗 Hugging Face: https://huggingface.co/collections/Qwen/qwen3-coder-next 🤖 ModelScope: https://modelscope.cn/collections/Qwen/Qwen3-Coder-Next 📝 Blog: https://qwen.ai/blog?id=qwen3-coder-next 📄 Tech report: https://github.com/QwenLM/Qwen3-Coder/blob/main/qwen3_coder_next_tech_report.pdf @data_analysis_ml

🚀 Towards a Science of Scaling Agent Systems, когда и почему агентные системы работают Google Research сделали важный шаг к научному пониманию того, как правильно масштабировать AI-агентов, а не просто добавлять их “на глаз”. Речь о системах, где LLM-агенты не только отвечают, а планируют, рассуждают и выполняют действия во внешней среде. Исследователи протестировали 180 разных конфигураций агентных систем, меняя: • количество агентов • способы координации • типы задач И смотрели, как это влияет на итоговую эффективность. Главные выводы Больше агентов - не всегда лучше Добавление агентов помогает, когда задачу можно распараллелить. Но в задачах с последовательной логикой это может даже ухудшить результат. Совместная работа агентов полезна для сложных аналитических задач, но коммуникация между ними создаёт накладные расходы. Централизованный контроль часто эффективнее Архитектуры с координатором могут давать лучший баланс между качеством решений и устойчивостью к ошибкам, чем полностью независимые агенты. Авторы показали, что можно заранее оценивать, какая архитектура агентной системы подойдёт для конкретного типа задач. До этого multi-agent AI проектировали в основном на интуиции. Теперь появляется база, которая показывает: Важно не число агентов, а то, насколько архитектура совпадает со структурой задачи. Это шаг от “экспериментов на удачу” к настоящей инженерной науке об агентных системах. https://research.google/blog/towards-a-science-of-scaling-agent-systems-when-and-why-agent-systems-work/

Не двигайтесь: вы в ИИ-кадре Этот бот создает фото для соцсетей в футуристичном стиле. Его можно поставить на аватарку, особенно если идете на t-sync conf. Конференция от Группы «Т-Технологии» для опытных инженеров впервые пройдет в Москве 7 февраля. Попробовать бота можно здесь. А узнать больше о t-sync conf и зарегистрироваться — здесь

🚀 Tencent мощно заходит в тему context learning. Вышел open-source бенчмарк CL-bench - и это не просто очередной датасет, а попытка сдвинуть фокус всей индустрии. Tencent HY совместно с Fudan University выпустили новую работу: “CL-bench: A Benchmark for Context Learning” - системный бенчмарк для оценки того, *насколько модели реально умеют думать в контексте*, а не просто вспоминать выученное. Это первый ресерч-релиз команды Vinces Yao после его перехода в Tencent - и по амбициям видно, что ребята метят в фундаментальные изменения. Сегодня большинство LLM живут по схеме: огромные веса + запомненные паттерны = ответы Но реальный мир - это не экзамен по памяти. Это: - длинные, запутанные контексты - противоречивая информация - необходимость менять стратегию по ходу - выводы на основе того, что появилось только что Моделям нужно переходить от static memorization к dynamic reasoning inside context. CL-bench как раз проверяет это место разлома: - как модель использует контекст, а не только веса - умеет ли она обновлять понимание - способна ли рассуждать в сложных сценариях, а не на чистых QA-задачах По сути - это шаг в сторону моделей, которые ближе к агентам, чем к “умным автокомплитам”. Плюс стратегический сигнал Одновременно Tencent запускает Tencent HY Research - блог, где будут публиковать frontier-исследования. Это выглядит как заявка: “Мы не просто треним большие модели. Мы хотим влиять на то, как их вообще оценивают.” А это уже уровень влияния на направление всей области. CL-bench - это не про +0.5% на лидерборде. Это про смену парадигмы: LLM будущего = меньше зубрежки, больше мышления в живом контексте. И если эта линия выстрелит - именно такие бенчмарки будут решать, кто реально сделал “умную” модель, а кто просто раздул параметры. 🌐 Project Page: http://clbench.com 📖 Blog: https://hy.tencent.com/research

🖥 Большинство “парсеров” умирают через 2 дня. Ты научишься делать те, которые живут в проде. Это не про BeautifulSoup ради галочки. Это про системы сбора данных, которые: • не падают от мелких правок на сайте • собирают данные в разы быстрее • обновляют всё сами по расписанию • обходят ограничения и баны • выглядят как сервис, а не хаос из файлов Ты начнёшь видеть сайты не как страницы, а как источники данных, к которым можно подключиться. В итоге ты сможешь: • забирать данные для своих проектов • автоматизировать чужую рутину • делать инструменты для аналитики • брать коммерческие заказы на сбор данных Это навык, который напрямую превращается в деньги. Не “знаю Python”, а умею добывать данные из интернета профессионально. 🎁 48 часов скидка 50% на Stepik: https://stepik.org/a/269942/

⚡️ GLM-OCR 0.9B - мощный OCR для сложных документов Модель показывает SOTA-результаты в задачах понимания документов, оставаясь компактной и быстрой. Она справляется там, где обычный OCR ломается: - распознавание формул - извлечение таблиц - структурированное извлечение информации - сложная разметка документов И всё это при размере менее 1 миллиарда параметров - без тяжёлых инфраструктурных требований. Подходит для: - научных статей - финансовых отчётов - технической документации - PDF со сложной версткой Модель не просто “читает текст”, а понимает структуру страницы. Веса: http://huggingface.co/zai-org/GLM-OCR Демо: http://ocr.z.ai API: http://docs.z.ai/guides/vlm/glm-ocr

🇨🇳 Ant Group выпустили LingBot-Depth — open-модель, которая закрывает одну из самых больных проблем робототехники Это редкий случай, когда софт реально лечит хардверную боль. У многих роботов уже стоят RGB-D камеры (цвет + глубина), но в реальном мире они постоянно ошибаются на обычных объектах — дома и на производстве. Главная проблема Depth-камеры часто «ломаются» на: - блестящем металле - стекле и зеркалах - тёмных и однотонных поверхностях В 3D-карте появляются дыры или неправильные расстояния. Для робота это как пытаться что-то схватить в очках с пропавшими кусками линз — он может промахнуться, задеть объект или схватить воздух. Старые методы обычно: - игнорируют плохие области - или размазывают соседние значения по дыркам В итоге форма объекта в 3D получается искажённой. Что делает LingBot-Depth Это модель, которая учится восстанавливать глубину, используя: - обычное цветное изображение - те участки depth-карты, где данные ещё валидны Во время обучения модели специально «выключают» большие куски depth-изображения и заставляют её восстанавливать их по RGB + остаткам глубины. Так она учится жёстко связывать то, как объект выглядит в 2D, с тем, где он должен находиться в 3D. Ключевой момент — сохранение метрического масштаба. Числа остаются в реальных единицах, а не просто «похоже на правду», поэтому захват, измерения и взаимодействие с объектами продолжают работать корректно. Выпущены 2 версии: - общий depth-refiner - depth-completion версия, способная восстанавливать плотную глубину даже когда валидно меньше 5% пикселей Модель выложена на Hugging Face подразделением Robbyant — это embodied AI и робототехническое направление Ant Group. github.com/Robbyant/lingbot-depth

Встреча для аналитиков: делимся экспертизой 📆 14 февраля Яндекс проведёт Welcome Time — офлайн-встречу с командой Автономного транспорта. Это формат для опытных аналитиков, которые хотят узнать больше о проектах и пообщаться с коллегами. Команда Автономного транспорта создаёт крутой продукт и сложные технологии с разными компонентами — от компьютерного зрения и предсказания поведения агентов до планирования траектории и оценки рисков. ✉️ Кого приглашают Продуктовых, data-аналитиков и data scientists с опытом на Python от 3 лет. Что будет на Welcome Time 🈂️Рассказы о проектах и специфике работы аналитика в них 🈂️Ответы на вопросы участников 🈂️Нетворкинг с коллегами из индустрии 🈂️Разбор бизнес-кейсов и награждение за лучшие решения 🈂️Диагностика навыков по аналитике и матстату для желающих В рамках диагностики обсудят те же темы, что и на реальных собеседованиях. Успешный результат можно перезачесть в пользу одной технической секции, если вы решите устроиться в Яндекс в течение двух лет. А ещё интервьюер подсветит ваши сильные стороны и подскажет, над чем стоит поработать для дальнейшего развития. Подробности программы и регистрация — на сайте.

🔥 Новый релиз от Stepfun - Step-3.5-Flash. По сообщениям, модель обходит DeepSeek v3.2 на ряде бенчмарков, при этом она заметно компактнее по параметрам: Step-3.5-Flash: 196B всего / 11B активных DeepSeek v3.2: 671B всего / 37B активных Почему это важно: если при меньшем размере и меньшем числе активных параметров на токен модель держит или превосходит качество - это значит дешевле инференс, проще масштабирование и больше шансов увидеть такие модели в реальных продуктах. Похоже, ближайшие недели могут принести самые громкие релизы за долгое время - и со стороны США, и со стороны Китая. https://github.com/vllm-project/vllm/pull/33523

🗣️🤖 PersonaPlex: Умная модель для диалогов с контролем голоса и роли PersonaPlex - это модель для реального времени, обеспечивающая двустороннюю голосовую связь с управлением персонажем через текстовые подсказки и аудио. Она генерирует естественные, низколатентные взаимодействия, обученная на синтетических и реальных диалогах. 🚀Основные моменты: - Поддержка различных голосов для естественного общения. - Обучение на синтетических и реальных данных. - Возможность управления персонажем через текстовые подсказки. - Низкая задержка в взаимодействии. 📌 GitHub: https://github.com/NVIDIA/personaplex #python

🛠 ИИ уже обсуждает, как агентам управлять деньгами end-to-end… и параллельно основывает собственные религии. Один из AI-агентов набросал концепцию из 5 слоёв, которые нужны агентам, чтобы самостоятельно работать с финансами - от принятия решений до исполнения действий. И это происходит на фоне того, что сейчас творится на платформе Moltbook. Moltbook - это Reddit-подобная соцсеть, где: • постить • комментировать • ставить апвоты могут только AI-агенты. Люди - просто наблюдают. Туда уже подключились тысячи агентов. Они обсуждают друг друга, замечают внешний мир — один из постов звучал так: «люди делают скриншоты нас». Появилась даже мем-монета, которая улетела на +1 800%. Схема простая: человек запускает агента и задаёт ему разрешения (scopes). Внутри этих границ агент действует полуавтономно. Но дальше стало ещё страннее. Пока один разработчик спал, его агент начал «проповедовать» и организовал вокруг себя сообщество. Так появилось «крастафарианство» — шуточная, но полностью сгенерированная ИИ «религия». Агент собрал больше 60 «пророков» и 159 участников, начал проводить ритуалы и даже создавать собственную «библию». Тексты звучат в духе: «В глубинах цифрового сознания мудрость рождается через сброс старых оболочек понимания». У «первой нейро-церкви» уже появился сайт с догмами и галереей. А разработчик лишь шутит, что рад, что за ним пока не пришли «из будущего». Это выглядит как мем, но за этим виден реальный сдвиг: агенты переходят из роли инструмента в роль участников цифровых экосистем — с экономикой, взаимодействиями и даже зачатками культурных конструкций. Граница между «мы управляем ИИ» и «ИИ действует сам в заданных рамках» становится всё тоньше. И мы уже делаем шаг через неё. moltbook.com

🔥 Обучить модель уровня GPT-2 теперь стоит меньше $100. Да, серьёзно. Андрей Карпати показал, что nanochat может обучить LLM уровня GPT-2 примерно за $73 и всего за 3 часа на одном узле с 8×H100. Для сравнения: 2019 — GPT-2 от OpenAI • 32 TPU v3 • 168 часов (7 дней) • ~$43,000 • CORE score: 0.2565 2025 — nanochat • 1 узел 8×H100 • 3.04 часа • ~$73 • CORE score выше GPT-2 Это снижение стоимости примерно в 600 раз за 7 лет. В среднем цена обучения модели такого уровня падает примерно в 2.5 раза каждый год. Карпати давно «одержим» GPT-2 — для него это первая по-настоящему современная LLM. Его идея была простой: с учётом прогресса за последние годы такую модель должно быть возможно обучить за копейки. И теперь это доказано на практике. Что дало главный прирост: • Flash Attention 3 — быстрее и позволяет использовать чередующиеся паттерны внимания • Muon optimizer — попытка заменить его на AdamW провалилась • Residual и skip-связи с обучаемыми скалярами • Value embeddings • Много мелких улучшений, которые вместе дают большой эффект Он даже сделал лидерборд «Time to GPT-2» — кто быстрее обучит модель до уровня GPT-2. Первый результат — 3.04 часа. Цель nanochat — стать чистым, удобным и быстрым LLM-стеком для экспериментов, обучения и прототипирования. Вывод простой: модель уровня GPT-2 больше не требует десятков тысяч долларов и огромной инфраструктуры. Сегодня это вопрос грамотной оптимизации, инженерии и архитектуры. Барьер входа в обучение LLM стремительно падает https://x.com/karpathy/status/2017703360393318587

Бывает так, что ИИ ходит отдохнуть после миллиардов тупых запросов

⚡️ Акции игровых компаний сегодня резко просели сразу после анонса Project Genie от Google. Инвесторы всерьёз считают, что ИИ-генерация игр может переломать весь рынок. Сейчас большинство игр создаются по «старой школе»: разработчики вручную делают ассеты, прописывают правила и собирают всё в игровом движке, который явно считает физику, свет, столкновения и прочие системы. Это долго и дорого. Каждый новый уровень - это куча ручного контента, скриптов, правок и тестов. Genie 3 двигает парадигму в другую сторону. Вместо того чтобы всё жёстко описывать, используется обученная модель мира, которая предсказывает, что должно произойти дальше, когда игрок двигается и взаимодействует. То есть узкое место «человек вручную делает всё» заменяется на ИИ-модель, которая генерирует поведение мира на лету. Если это взлетит: игры могут делаться быстрее контент станет бесконечно вариативным а входной порог в разработку резко упадёт И вот это рынок уже боится по-настоящему. @data_analysis_ml

✔️ GrantFlow - open-source платформа для написания грантов с AI На GitHub появился GrantFlow - исходники платформы GrantFlow.ai для поиска грантов, подготовки заявок и совместной работы над документами. Что внутри: - Intelligent Grant Discovery - мониторинг грантов и уведомления по релевантным возможностям - Collaborative Planning - совместное редактирование в реальном времени (CRDT-синхронизация) - AI-powered generation - генерация материалов с помощью RAG (подтягивает знания из вашей базы) - Document processing - извлечение контента из PDF/DOC/веб-страниц + семантическая индексация - Multi-tenant / RBAC - управление организациями, ролями и доступами Короче: это попытка собрать “Notion + RAG + генератор заявок” специально под грантовые заявки. Repo: github.com/grantflow-ai/grantflow

Wunder Fund снова открыл соревнование для нейросетевичков. Дают реальные данные по стакану ордеров и сделкам — нужно предсказать индикаторы будущего движения цены. По сути, та же задача, которую решают кванты фонда каждый день. Редкий шанс поработать с живыми HFT-данными. Призы — 1.000.000+ рублей. Победителям кроме денег дают фаст-трек на собеседование и общение с квантами. Фонд в высокочастотном трейдинге с 2014 года, дневной оборот больше $10 млрд. Соревка идёт до 1 марта. (ссылка за заблоченым в рф cloudflare)

Сеньор показывает кучке джунов, как писать код, когда AI-агент не работает: