Анализ данных (Data analysis)

🔥 На официальном сайте Federal Register неожиданно обнаружился Qwen3. В расширенном поиске среди режимов прямо указаны: Hybrid Qwen3:0.6B (512D, Recursive Splitting, Distilled, Prefixed) и отдельно: Qwen3:0.6B Китайская open-weight модель Alibaba уже используется как часть поискового стека сайта, на котором публикуются федеральные правила, указы, уведомления и другие документы правительства США. Особенно иронично это выглядит сейчас: буквально на днях NSA, FBI и CISA выпустили предупреждение о «промышленном дистиллировании» американских frontier-моделей китайскими AI-компаниями. Сами американские ведомства отдельно признают, что distillation как технология вполне легитимна. Претензии относятся к несанкционированному извлечению возможностей закрытых моделей, а не к использованию open-source/open-weight моделей как таковых.

Стать специалистом по Data Science всего за 10 недель — это реально! Если давно смотрите в сторону Data Science, но откладываете старт из-за огромного количества технологий, математики и непонятного пути до первой работы — сейчас можно зайти в профессию по-другому. Симулейтив запускает интенсивный буткемп по Data Science, который построен вокруг главного: за первые 10 недель собрать необходимый стек, получить практический опыт и начать готовиться к реальным собеседованиям. И главное — вам не нужно сначала учиться 8–12 месяцев, а уже потом думать о трудоустройстве. Что вас ждёт: ➖необходимые для старта навыки: Python, ML, статистика, работа с данными и AI-инструментами; ➖практика на реальных задачах и проектах; ➖понятный ежедневный план обучения и поддержка менторов; ➖еженедельные живые занятия, а не старые записи; ➖подготовка к собеседованиям уже с первых недель — групповые интервью, разбор вопросов и подготовка резюме. А что после 10 недель? Буткемп — это только первый этап. После него можно продолжить углублять экспертизу и двигаться к уровню middle: ➖продвинутый Python; ➖Git; ➖продвинутая статистика и A/B-тестирование; ➖Airflow; ➖MLOps и развёртывание ML-моделей. Кому подойдёт: 1. Тем, кто хочет войти в Data Science с нуля. 2. Тем, кому не хватает структуры и дисциплины в самостоятельном обучении. 3. Тем, кто хочет быстрее перейти от обучения к поиску работы. 🔥ВАЖНО: Симулейтив сейчас дают возможность получить грант на обучение и гарантию трудоустройства своих студентов! Количество грантов, ограничено! Оставляйте заявку до конца недели, чтобы занять одно из 5 оставшихся мест нового потока! 🔗 ЗАБРОНИРОВАТЬ МЕСТО

🚨 Huawei прогнозирует взрывной рост AI-агентов: к 2035 году они будут генерировать более 90% всего мирового AI-трафика. В отчёте Intelligent World 2035 компания ожидает, что глобальное потребление токенов вырастет сразу в 100 000 раз. Чтобы выдержать такую нагрузку, вычислительные кластеры придётся масштабировать примерно в 100 раз, а стоимость выполнения одной агентной задачи должна снизиться примерно в 1000 раз. Отдельный прогноз Huawei и Института экономики Университета Цинхуа: ИИ может создать более $27 трлн совокупной экономической ценности за ближайшие пять лет, а ежегодные инвестиции в цифровую и интеллектуальную инфраструктуру к 2030 году превысят $4 трлн. Фактически Huawei делает ставку на мир, где основными потребителями compute будут уже не люди и приложения, а миллиарды автономных агентов, непрерывно вызывающих модели, инструменты и другие сервисы.

🚨 Apple может выйти на рынок AI-серверов и использовать для этого технологию NVIDIA По данным The Information, Apple разрабатывает серверы на будущих M8 Ultra и рассматривает NVLink Fusion для объединения нескольких чипов в одной системе. Обсуждаются две конфигурации: - 2× M8 Ultra - 4× M8 Ultra Серверы хотят продавать AI-разработчикам, компаниям и государственным организациям, а основной сценарий — AI inference, а не обучение моделей. Возможный запуск - около 2029 года. Apple уже использует собственные решения в Private Cloud Compute, но, по данным источников, они слишком медленные и дорогие для масштабирования. Поэтому часть инженеров считает NVLink Fusion лучшим вариантом. Получается довольно иронично: Apple M8 Ultra → NVIDIA NVLink Fusion → AI server Apple фактически может зайти на рынок AI-серверов NVIDIA, используя технологию самой NVIDIA.

the cake is a lie

🔥 Один из создателей технологий, которые привели к ChatGPT, запустил модель, которая вообще не генерирует текст. Диогу Алмейда после двух лет stealth представил TypeSafe AI и первую модель нового класса — Jev. Идея радикально отличается от обычных LLM: неструктурированные данные → типизированное решение → вероятность Jev не пишет ответы словами. Вместо этого модель возвращает значения, которые программа может использовать напрямую: выбор варианта, оценку, вероятность события. Для обучения TypeSafe разработала свой метод — RLCD (Reinforcement Learning for Calibrated Decisions). По данным компании: - отклик — 70–500 мс - 20–200× быстрее frontier-моделей на таких задачах - 40–400× дешевле - input — $0,042 за 1 млн токенов - output — бесплатно Целевые сценарии: классификация, маршрутизация, scoring, extraction и автоматические решения внутри программ. Важный нюанс: заявление «не галлюцинирует» означает прежде всего то, что модель не генерирует произвольный текст и работает в заданной типизированной схеме. Это не гарантия абсолютной правильности решения. Jev уже доступен в early access. Цифры производительности пока в основном основаны на внутренних тестах TypeSafe. https://x.com/Machinelearrn/status/2100178485641683200

Команды нет — это не причина пропустить КосмоХакатон 18–20 сентября, Санкт-Петербург, Красноярск или онлайн из любой точки страны. На платформе есть подбор команды: регистрируетесь один, указываете, что умеете, и находите недостающих К двум задачам, о которых писали раньше, добавились ещё две. Санкт-Петербург - космонавт в открытом космосе. Солнечные вспышки, геомагнитные бури, радиация меняются по часам, решение о выходе принимают по прогнозу. Команде предстоит выделить ключевые угрозы и собрать техническое решение для их анализа. Данные, физика, инженерия. Красноярск - зелёные финансы. Углеродные кредиты продаются под обещание, что где-то растёт лес, и проверить это обещание можно со спутника. Команде предстоит собрать платформу для токенизации и продажи кредитов, привязанных к реальному состоянию лесного массива. Данные, финансы, продукт. Фонд площадок — 1,2 млн ₽ и 600 тыс. ₽. Лучшие забирают приз и билет в московский финал 25–27 сентября на 2,4 млн рублей. Подробности и регистрация

🚨 Дженсен Хуанг выступил против идеи замедлять развитие frontier AI и вводить новые законы для отрасли. На Dreamforce глава NVIDIA заявил:

«Если вы не уверены в безопасности продукта - просто не выпускайте его».

По его мнению, безопасность и скорость разработки не противоречат друг другу. Компании должны тестировать системы, при необходимости делать паузу, но когда уверены в продукте, «бежать настолько быстро, насколько могут». Хуанг прямо сказал:

**«Нам не нужны новые законы. Нам не нужны новые регуляции».**

Он называет безопасность прежде всего инженерной задачей и считает, что существующие рыночные механизмы уже заставляют компании не выпускать опасные продукты. Это прямо расходится с позицией Дарио Амодея и других руководителей AI-лабораторий, которые в последние дни призывают сильнее координировать темпы развития и стандарты

🔥 Google Research предложила способ ускорить сложный AI-поиск без длинного reasoning на каждом запросе Новый подход называется Retrieve-for-Train. Идея: вместо того чтобы каждый раз заставлять LLM долго думать и генерировать десятки sub-query, тяжёлую работу переносят в обучение. Схема такая: query → RL-обученный fan-out LM → синтетические target-наборы → компактный diffusion retriever В итоге на inference уже не нужен большой chain-of-thought. Google обучила компактный 53.9M diffusion retriever, который генерирует весь набор направлений поиска сразу, одним неавторегрессионным проходом. Результат: - 12–20× быстрее autoregressive-подходов - latency остаётся от sub-second до нескольких секунд - выше diversity, alignment и recall - меньше дублирующихся sub-query - не нужны human labels для supervision Самое интересное: RL здесь используется не как дорогой online reasoning engine, а как одноразовый механизм, который «компилирует» сложное поведение в более дешёвую модель. Для production-поиска это очень сильная идея: сложное reasoning делается заранее, а inference остаётся быстрым. https://research.google/blog/bypassing-inference-bottlenecks-accelerating-complex-ai-search-with-retrieve-for-train/

🔥 Agentic coding уже ломает привычный CI: у Anthropic объём CI-задач вырос в 25 раз всего за 6 месяцев Причина простая: инженеры выпускают примерно в 8 раз больше кода, около 80% которого пишет Claude, а количество тестов в кодовой базе выросло в 10 раз. Старый test-selection сервис начал захлёбываться. Anthropic прошла три стадии: больше CPU → sharding → ежедневные рестарты Первая мера продержалась 70 дней, вторая — 29 дней, третья — меньше суток. В итоге архитектуру переделали полностью: listener стал stateless, результаты CI складываются в общий журнал в in-memory store, а отдельный consumer агрегирует историю тестов. Это позволило горизонтально масштабировать обработку. Новая система была собрана одним инженером примерно за 3 недели. По оценке Anthropic, год назад такая переделка заняла бы около квартала. Главный совет команды на эпоху coding agents: проектируйте CI сразу под нагрузку в 10–25 раз выше текущей. https://claude.com/blog/agentic-coding-is-straining-ci-heres-how-we-scaled-test-impact-analysis-at-anthropic

🔥 Spark-X2.5-4B - компактная 4B-модель с нативным контекстом до 1M токенов Модель заточена под локальный запуск и при небольшом размере умеет reasoning, coding, tool use и agentic workflows, а также заявляет поддержку 200+ языков. По данным авторов: - 44.4 — SWE-Bench Pro - 40.9 — BrowseComp - 90.7 — AIME 2026 - 54.6 — MCP-Atlas Для локального запуска уже доступны BF16, INT8, GGUF-кванты от Q2 до Q8/IQ, MLX 4/8-bit и ONNX. Есть варианты для Apple Silicon, Linux CPU и NVIDIA GPU. У свежего llama.cpp уже появилась поддержка архитектуры spark2_5, поэтому GGUF можно запускать через совместимые актуальные runtime. Полный контекст в 1M токенов, конечно, потребует намного больше памяти, чем обычный локальный сценарий. Модель: https://huggingface.co/XHToken/Spark-X2.5-4B GGUF: https://huggingface.co/XHToken/Spark-X2.5-4B-GGUF

Вопрос уже не в том, нужен ли ИИ, а в том, как его внедрять и масштабировать Найдем ответ на бесплатной конференции 8 октября Все об эффективном и безопасном внедрении ИИ в бизнес расскажут эксперты топовых технологических компаний на конференции Selectel ТехноДень в Москве. На повестке: 🔺Как использовать генеративный ИИ в компании без хаоса и получать от этого измеримый эффект: от теории до реальных кейсов. 🔺Как ускорить внедрение ИИ в бизнес-процессы и минимизировать риски для бизнеса с помощью инструментов ИБ. 🔺Какую ИТ-инфраструктуру выбрать для инференса и обучения моделей. Кроме 20 экспертных докладов и 20 интерактивных стендов, в финале вечера вас ждет живая запись подкаста Вселенная Плюс на главной сцене конференции. Присоединяйтесь к Selectel ТехноДень, чтобы лично задать вопросы экспертам рынка и обменяться опытом. Количество мест ограничено, регистрируйтесь уже сейчас → Реклама. АО "Селектел". erid:2W5zFK7dGWM

Tencent Hunyuan представила EvolveScaler - бенчмарк и датасет для проверки того, умеют ли LLM рассуждать в мире, где информация постоянно меняется. Пример задачи: модель читает журнал RPG за 40 дней, после чего получает вопрос, если на 7-й день пропустить мини-босса, получится ли всё равно победить финального босса? Прямого ответа в тексте нет. Нужно фактически «переиграть» цепочку событий с изменённым условием. Авторы называют это Information Evolution: записи могут отменяться, исправляться и дополняться задним числом, поэтому простого поиска фактов в длинном контексте недостаточно. EvolveScaler строится наоборот: - сначала мир задаётся как исполняемая машина состояний - логика и зависимости между событиями контролируются кодом - затем эта история преобразуется в естественный язык - модель должна восстановить состояние мира и просчитать последствия изменений Масштаб: - 117 прототипов сценариев - 159 типов вопросов - 5 уровней сложности - до ~1200 событий в одном примере Авторы протестировали 14 frontier-моделей. На самом сложном уровне медианный avg@5 падает до 11,3%. При этом обучение на EvolveScaler дало в среднем +5,25 пункта на 8 внешних бенчмарках, которые не использовались при создании датасета. Работа проверяет не только понимание длинного контекста, а способность модели поддерживать изменяющееся состояние мира, учитывать исправления и пересчитывать последствия контрфактических изменений. Paper: https://arxiv.org/abs/2609.08435 Project: https://tencent-hunyuan.github.io/evolve-scaler/

⚡Трамп жёстко прошёлся по Дарио Амодею и фактически отверг идею замедления гонки ИИ. После призывов главы Anthropic снизить темп разработки frontier-моделей ради безопасности Трамп написал, что ИИ не нужны новые «ограничители», кроме «сильного и умного президента». Он отдельно упомянул Амодеи, обвинил противников ускоренного развития ИИ в игре на руку Китаю и заявил, что США уже обладают достаточными уголовными и регуляторными полномочиями над ИИ-компаниями. Самая жёсткая часть:

> «Treasonists, Traitors, and Leakers, BEWARE!»

На этом фоне предложение Амодея о «Pacing the Frontier» - дать индустрии ещё 1–2 года на усиление контроля и безопасности, выглядит всё сложнее реализуемым на уровне США. Гонку, похоже, тормозить никто не собирается.

Хакатон на космических данных. Санкт-Петербург, Красноярск или онлайн из любой точки страны. Стартуем 18 сентября. За выходные участники доводят одну из задач до рабочего решения. Санкт-Петербург. К 2035 году над Землёй должен работать топливный узел, у которого заправляются корабли, и откуда он будет получать топливо - с Земли, с Луны или из резерва - пока не решил никто. Команде предстоит собрать схему поставок, посчитать резервы и решить, во что вкладываться сразу. Призовой фонд 1,2 млн ₽. Красноярск. Спутник видит горящий лес раньше любого наземного поста, но вместе с пожаром ловит нагретые крыши, факелы на месторождениях и блики на воде. Команде предстоит научить сервис отличать настоящий очаг от шума, обвести гарь и выдать площадь в гектарах. Призовой фонд 600 тыс. ₽. Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей. Команда 3–5 человек, недостающих можно найти на платформе. Регистрация по ссылке космохакатон.рф

🐠Sakana AI представила PC-ALM - метод обучения глубоких нейросетей без классического обратного распространения ошибки. Главный результат: PC-ALM смог обучать нейросети глубиной до 1000 слоёв, используя только локальные взаимодействия между соседними слоями. Обычное глубокое обучение почти полностью опирается на backpropagation: ошибка считается на выходе сети, после чего градиенты передаются назад через все слои. PC-ALM работает иначе. Каждый слой рассматривается как локальная динамическая система, которая пытается уменьшить собственную ошибку предсказания. Вместо глобального прохода градиента используются: - локальные ошибки предсказания - множители Лагранжа - расширенный лагранжиан - локальная динамика состояний - PI-регуляция внутри каждого слоя Метод вырос из predictive coding — подхода, популярного в NeuroAI. В predictive coding каждый слой постепенно корректирует своё состояние так, чтобы уменьшать рассогласование с соседними слоями. Проблема в том, что в очень глубоких сетях такие сигналы плохо распространяются: информация об ошибке с выхода сети затухает раньше, чем достигает внутренних слоёв. PC-ALM добавляет специальные двойственные переменные — по сути дополнительные нейроны, представляющие множители Лагранжа. Они помогают передавать сигнал ошибки через большое число слоёв. Авторы связывают этот подход с классической работой Яна Лекуна 1988 года, где множители Лагранжа для многослойной сети можно связать с градиентами функции потерь. В результате получается обучение, где глобальная задача оптимизации раскладывается на множество локальных динамических процессов. Особенно хорошо PC-ALM показал себя на очень глубоких и узких сетях, где обычный predictive coding начинает ломаться. Помимо NeuroAI, подход может быть интересен для нейроморфного железа: там локальные вычисления и физическая динамика потенциально дешевле классического backpropagation на GPU. Блог: https://pub.sakana.ai/pc-alm/ Статья: https://arxiv.org/abs/2605.31022 Код: https://github.com/SakanaAI/pc-alm

Когда крупнейшие CEO в области ИИ начинают тормозить, приходится спросить: что они знают такого, чего не знаем мы?

🔥 Qwen3.8-27B можно запускать локально на Mac с Apple Silicon - вышла 4-битная сборка для MLX. Команда LM Studio подготовила версию модели на 27 млрд параметров, оптимизированную для чипов Apple. Она поддерживает текст и изображения, а файлы занимают около 16,1 ГБ. Но 16,1 ГБ на диске не означает, что хватит Mac с 16 ГБ памяти. Дополнительная память нужна системе, вычислениям и кешу контекста. В исходной публикации ориентир - 24 ГБ объединённой памяти, а для изображений и длинных рассуждений — 32 ГБ. В карточке сборки эти требования не подтверждены; расход памяти зависит от настроек и длины контекста. https://huggingface.co/lmstudio-community/Qwen3.8-27B-MLX-4bit

Сильные аналитики давно делают для бизнеса больше, чем отчеты и дашборды. Они помогают понять, что происходит, находят причины проблем, проверяют гипотезы и дают руководителям основу для решений. Именно для таких специалистов мы сделали Cortex Challenge — соревнование, где можно показать весь масштаб своих навыков, подход к аналитике и умение превращать данные в бизнес-решения. Вам достанется виртуальная компания с реальной бизнес-проблемой. Ваша задача — разобраться в ситуации, найти настоящую проблему, сформировать решение и защитить его перед экспертами. А для победителей — крупнейший призовой фонд в сфере BI-аналитики: 1 000 000 ₽. Шесть победителей разделят его между собой: три призовых места и три специальные профессиональные номинации. Стартуем 25 сентября 🔥 Если для вас аналитика — это способ влиять на бизнес, присоединяйтесь к Cortex Challenge! Будте в курсе новостей с @visiology_official