Анализ данных (Data analysis)

Ты проверяешь сгенерированный Клодом код перед тем, как выкатывать его в прод.

🔌 OpenAI продолжает собирать лучшие умы индустрии. На этот раз компания пригласила к себе Питера Штайнбергера - создателя нашумевшего проекта OpenClaw. Сам Альтман назвал его «гением». В OpenAI он будет работать над следующим поколением персональных AI-агентов и именно агенты, по словам компании, станут основой будущих продуктов. OpenClaw не закрывают. Проект останется open-source, и OpenAI обещает продолжать его поддержку. Но самое впечатляющее - скорость. Путь OpenClaw: - идея и разработка одним человеком - быстрый рост и хайп в сообществе - приглашение в OpenAI Всё это - за 82 дня. В эпоху AI окно возможностей стало экстремально коротким. Один сильный проект может изменить карьеру за пару месяцев. Мотивация простая: сейчас лучшее время, чтобы запускать своё. https://x.com/sama/status/2023150230905159801?s=46

🚀 Ling-2.5-1T: новый open-source гигант • 1 трлн параметров • 63B активных • MIT лицензия - можно использовать в продакшене Что внутри: ⚡ Hybrid Linear Attention Комбинация MLA (1:7) + Lightning Linear - быстрее Kimi K2 на длинных контекстах 🧠 В 4 раза эффективнее по токенам Composite rewards позволяют достигать уровня топ-моделей, используя в 4 раза меньше токенов 📚 Контекст до 1 млн токенов YaRN scaling — обходит Kimi K2.5 и DeepSeek V3.2 на тестах RULER и MRCR — идеальные результаты в NIAH 🛠️ SOTA для агентных задач Обучение через Agentic RL Лидер BFCL-V4 Нативная интеграция с: - Claude Code - OpenCode - OpenClaw 🎯 Чёткое следование инструкциям Bidirectional RL + проверка агентом Минимум «воды», максимум плотности ответа Модель пока уступает GPT-5.2 и Gemini 3 Pro в долгих многошаговых задачах. Open-source модели уже заходят на территорию enterprise-агентов. Если нужен длинный контекст + инструменты + контроль над инфраструктурой - это один из самых интересных кандидатов прямо сейчас. modelscope.ai/models/inclusionAI/Ling-2.5-1T modelscope.cn/models/inclusionAI/Ling-2.5-1T

💰 Илон Маск сделал громкое заявление:

Через 10–20 лет накопления на пенсию могут потерять смысл.

Звучит радикально, но его логика проста. Сегодня вся финансовая система построена на одном предположении: ресурсы ограничены, а жизнь дорогая. Мы откладываем деньги, потому что: - нужно платить за жильё - еду - медицину - услуги - и в старости дохода может не быть Но Маск считает, что AI и роботизация меняют саму основу экономики. Что происходит уже сейчас: - Автоматизация снижает стоимость труда - Производство становится дешевле - Услуги заменяются алгоритмами - Всё больше процессов работает без участия человека Если этот тренд продолжится, то: Стоимость производства → стремится к нулю Стоимость жизни → резко падает А значит, логика “копить на дорогую жизнь в будущем” перестаёт работать. Мы можем перейти от экономики дефицита к экономике изобилия. Где главным ограничением станет не деньги, а: - смысл деятельности - самореализация - ценность идей и творчества Самый важный вывод не в том, что «копить не нужно». А в другом: Мир меняется быстрее, чем наши финансовые привычки. Модель «учись → работай 40 лет → копи → пенсия» может просто устареть. В ближайшие 10–15 лет главный актив - это не накопления. Это: - навыки адаптации - умение работать с AI - гибкость - способность создавать ценность в новой экономике Потому что будущее, к которому мы готовимся по старым правилам, может оказаться совсем другим.

💰 Гонка за AGI - это не только технологии. Это ещё и риск банкротства на триллионы. Dwarkesh спросил CEO Anthropic Дарио Амодеи: почему он так уверен в AGI, но при этом осторожен с масштабным строительством дата-центров? Ответ оказался жёстким. Если рынок AI продолжит расти в 10× в год, компания может выйти на $1 трлн выручки к 2027 году. Чтобы поддержать такой рост, придётся закупить примерно $5 трлн вычислительных мощностей. Но здесь и кроется опасность. Если прогноз окажется немного оптимистичным - например: - не $1T, а $800B выручки - рост замедлится до 5× - или рынок сдвинется всего на 1 год → компания просто обанкротится. По словам Амодеи:

Если ты ошибся в прогнозе, нет силы и нет хеджа, которые спасут от банкротства после таких инвестиций.

Главная мысль: AGI - это не только гонка моделей. Это самая рискованная инфраструктурная ставка в истории технологий. Поэтому «действовать ответственно» -не значит инвестировать сотни миллиардов. И, по его словам, некоторые игроки в гонке ИИ, возможно, даже не просчитали все риски до конца. 🚀 Полное интервью

Как создавать решения и автоматизировать рутину в 2026: No-Code 2.0 × Pro-Code с AI - Практикум от Отус Покажем, как в 2026 собирать рабочие внутренние сервисы: где хватает No-Code 2.0, а где нужен Pro-Code с AI — без бесконечных спринтов и «ручного» отчётничка. 📌 18 февраля, 20:00 (мск) 🦉 Спикер: Артём Колчин — 7+ лет в продакт/проектном управлении, выстраивал процессы в командах до 60 человек. О чём поговорим простыми словами; — Что такое No-Code 2.0 и почему он — оркестратор процессов, а не «замена разработке» — Связка No-Code + LLM: формы, базы, боты, автоматизации — Где No-Code заканчивается и начинается Pro-Code — Pro-Code + AI как «ускоренный Dev»: агенты для кода, интеграций, тестов и DevOps-рутины — Кейсы внутренних систем: заявки HR/Legal/Finance/IT, Jira/Notion как процессные хабы Бонусы: — cкидка 7% на любой курс OTUS — гайд по работе с промптами для LLM 🔗 Регистрируйся: https://tglink.io/4e26955ca39e4c Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: 2W5zFJAhvKB

🚀 Mistral научили маленькие модели думать как большие Mistral AI представила семейство Ministral - компактные модели, созданные с помощью подхода cascade distillation. - Большая модель Mistral 3 выступает в роли «учителя» - Дистилляция проходит в несколько этапов, а не за один раз - Каждая следующая модель учится на результатах предыдущей - Быстрее inference - Дешевле запуск в продакшене - Подходит для edge-устройств и локального запуска - Можно масштабировать AI-сервисы без огромных затрат - В итоге - меньше размер, ниже стоимость, высокая точность Большие модели будут использоваться для обучения… а в продакшене будут работать маленькие и эффективные. https://www.deeplearning.ai/the-batch/mistral-uses-cascade-distillation-on-mistral-3-to-build-ministral-family #ai #ml #llm #Mistral

⚡️ Илон Маск: xAI может построить завод на Луне для производства AI-спутников На внутренней встрече xAI Маск заявил, что в будущем компании может понадобиться лунная фабрика, которая будет производить спутники для ИИ, а также гигантская катапульта для их запуска в космос. Звучит как фантастика, но идея отражает масштаб амбиций. Что ещё он сказал сотрудникам: - xAI должна продолжать расти максимально быстро - В AI-гонке побеждает тот, кто движется быстрее всех - По его словам, сейчас xAI развивается быстрее конкурентов - Компания уже достигла масштаба, при котором требуется новая структура управления - Часть команды, эффективная на ранних этапах, может не подходить для стадии масштабирования Главная мысль Маска: Скорость - главный фактор лидерства в AI. Речь идёт о долгосрочной стратегии, где: - AI-инфраструктура выходит за пределы Земли - спутники могут стать частью глобальной вычислительной сети - конкуренция идёт не только за модели, но и за физическую инфраструктуру nytimes com/2026/02/10/technology/elon-musk-lunar-factory.html

🤖 Агенты на базе LLM звучит как модный тренд, но за ним скрываются конкретные архитектурные решения, ограничения и инженерные компромиссы. Без их понимания агентные системы быстро превращаются в нестабильные и трудно поддерживаемые эксперименты. На открытом уроке вы разберёте, что на самом деле стоит за agentic-подходом и чем он отличается от привычных LLM-приложений с chains, RAG и tools. Мы подробно рассмотрим устройство агента: модель, инструменты, память, планирование и контроль выполнения, а также разберём архитектурные паттерны агентных систем. Вы увидите, как один и тот же агентный сценарий реализуется в разных фреймворках, сравните их подходы и ограничения, поймёте, где агентный подход действительно оправдан, а где он усложняет систему без реальной выгоды. 🗓️ Встречаемся 17 февраля в 20:00 МСК в преддверии старта курса «LLM Driven Development». Зарегистрируйтесь: https://otus.pw/Q3x3F/?erid=2W5zFHNEkCZ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🤖 Агенты на базе LLM звучит как модный тренд, но за ним скрываются конкретные архитектурные решения, ограничения и инженерные компромиссы. Без их понимания агентные системы быстро превращаются в нестабильные и трудно поддерживаемые эксперименты. На открытом уроке вы разберёте, что на самом деле стоит за agentic-подходом и чем он отличается от привычных LLM-приложений с chains, RAG и tools. Мы подробно рассмотрим устройство агента: модель, инструменты, память, планирование и контроль выполнения, а также разберём архитектурные паттерны агентных систем. Вы увидите, как один и тот же агентный сценарий реализуется в разных фреймворках, сравните их подходы и ограничения, поймёте, где агентный подход действительно оправдан, а где он усложняет систему без реальной выгоды. 🗓️ Встречаемся 17 февраля в 20:00 МСК в преддверии старта курса «LLM Driven Development». Зарегистрируйтесь: https://otus.pw/Q3x3F/?erid=2W5zFHNEkCZ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

⚡️ Вышла M2.5 - новая open-source frontier-модель MiniMax представили M2.5 - модель, ориентированную на продуктивность, агентные задачи и долгие рабочие сценарии. Что внутри - Кодинг: 80.2% на SWE-Bench Verified - Поиск и ресёрч: 76.3% (BrowseComp) - Agent tool-calling: 76.8% (BFCL) - Оптимизирована для офисных и рабочих задач Главное отличие Скорость и эффективность - На 37% быстрее в сложных задачах - До 100 tokens/sec - Стоимость — около $1 в час Такой ценник меняет экономику AI-агентов. Теперь становится возможным: - долгие автономные агенты (часы и дни работы) - постоянные coding-агенты - исследовательские ассистенты - автоматизация бизнес-процессов Рынок движется от «умных моделей» к дешёвым и долгоживущим агентам. MiniMax Agent: http://agent.minimax.io API: http://platform.minimax.io CodingPlan: http://platform.minimax.io/subscribe/coding-plan

🚀 SoftMatcha 2 - инструмент от Sakana, который проверяет, не “подглядывала” ли модель ответы Одна из главных проблем в обучении LLM - загрязнение бенчмарков. Модель показывает отличные результаты… но иногда просто потому, что похожие задачи уже были в обучающих данных. Проверить это сложно. Обычный поиск по точным совпадениям не работает - формулировки могут отличаться, слова меняться, а смысл оставаться тем же. SoftMatcha 2 новое решение от Sakana. Что делает инструмент: - Ищет совпадения в корпусах размером до триллионов токенов - Работает менее чем за 0.3 секунды - Находит не только точные копии, но и похожие по смыслу фрагменты (замены слов, вставки, удаления) - Помогает обнаружить утечки тестовых данных в обучении Почему это важно: Если модель уже видела похожие задачи: - метрики становятся завышенными - сравнение моделей теряет смысл - “прорыв” может оказаться просто хорошей памятью SoftMatcha 2 позволяет: - проверять чистоту датасетов - находить скрытые пересечения - честно оценивать качество моделей Как это работает: - Быстрый поиск на основе suffix arrays - Disk-aware архитектура - эффективная работа даже с огромными данными - Интеллектуальное pruning, чтобы избежать перебора миллионов вариантов Можно протестировать онлайн на корпусе 100B токенов или развернуть у себя для триллионных масштабов. Demo: http://softmatcha-2.s3-website-ap-northeast-1.amazonaws.com Paper: https://arxiv.org/abs/2602.10908 Code: https://github.com/softmatcha/softmatcha2 Сегодня важен не только размер модели. Главный вопрос - учится ли она думать, или просто запомнила ответы.

📘 На Stepik вышел курс — «AI Agents PRO: LangGraph, AutoGen и LLMOps в продакшне» Хотите собирать AI-агентов и RAG-сервисы так, чтобы это стабильно работало в эксплуатации: с метриками, оценкой качества, контролем стоимости и нормальным деплоем? Этот курс — полный путь от прототипа к прод-сервису. • Агенты: LangGraph/AutoGen, роли/состояния, FSM/DAG, параллелизм • RAG: hybrid retrieval + rerank (Qdrant/FAISS/Weaviate) • Надёжность: таймауты, ретраи, идемпотентность, DLQ • Eval/качество: golden-сеты, LLM-judge, pass@k, quality-гейты • Observability: логи/трейсы, OpenTelemetry, Prometheus/Grafana • Security: строгий JSON (Pydantic), guardrails, PII, RBAC/ABAC 🎓 Сертификат Stepik — добавьте в резюме или LinkedIn 🚀 Скидка 25% по ссылке — действует 48ч 👉 Забрать курс на Stepik Реклама: Ип Малышкин А.А. ИНН: 402571325199, Erid: 2Vtzqw45X5m

⚡️ DeepWiki - GitHub-репозитории, которые можно “спросить” как ChatGPT DeepWiki - это инструмент, который превращает любой GitHub-проект в интерактивную документацию с AI. Просто замените в ссылке: github.com → deepwiki.com И вы получите: - автоматически сгенерированную wiki по проекту - объяснение архитектуры - разбор ключевых файлов - ответы на вопросы прямо по коду Пример: https://deepwiki.com/karpathy/nanochat Почему это удобно Обычная документация часто: - устаревшая - неполная - не объясняет, как всё реально работает DeepWiki анализирует сам код — источник истины — и строит объяснения на его основе. Можно быстро узнать: - как устроена архитектура - где реализована нужная функция - как работает конкретный модуль - какие зависимости используются Практическая польза - Быстрое изучение чужих репозиториев - Онбординг в новый проект - Поиск логики без ручного чтения сотен файлов - Подготовка к собеседованиям - Работа AI-агентов с кодом через MCP Главная идея Теперь код можно не читать построчно. Можно задавать вопросы репозиторию и получать готовые объяснения. Это новый способ изучения и использования open-source. @data_analysis_ml

Google представили новый подход к разработке AI-систем, вместо привычного формата «один пользователь - один ассистент» они моделируют групповые диалоги, где одновременно взаимодействуют несколько людей и ИИ. Идея проста: в реальной жизни ИИ всё чаще работает не в одиночку, а как участник команды. Что предлагают Система позволяет: - Симулировать групповые обсуждения (несколько людей + AI) - Тестировать, как ИИ ведёт себя в динамике разговора - Оценивать: - когда ИИ должен вмешиваться - когда лучше молчать - как не перебивать людей - как учитывать контекст всей группы Почему это важно Обычные тесты проверяют: - точность ответа - знание фактов Но в командной работе важнее: - тайминг ответа - уместность - социальное поведение - понимание ролей участников ИИ должен стать коллегой, а не просто чат-ботом. Где это применимо - Совместное написание документов - Брейнштормы - Планирование проектов - Онлайн-встречи - Образование и командная работа Главная идея Будущее AI - это не «личный помощник», а участник командных процессов. Такие симуляции позволяют заранее тестировать поведение модели в сложных социальных сценариях и делать её более естественной и полезной в реальной работе. ✔️ Источник: https://research.google/blog/beyond-one-on-one-authoring-simulating-and-testing-dynamic-human-ai-group-conversations/

🔥 Эти анимации были созданы на 100% с помощью искусственного интеллекта, используя Seedance 2.0. Всё было сгенерировано на основе одного запроса, без ручной анимации. Вы смотрите воссозданные бои, такие как Годзё Сатору против Рёмена Сукуны, сражения с участием Махораги и таких персонажей, как Саске Учиха, Тодзи Фусигуро и Юта Оккоцу. Плавность, точность и эффектность дают понять: искусственный интеллект для 2D-анимации вышел на новый уровень. Это не проверка. Это реальные перемены, происходящие прямо сейчас.

⚡️ Deep Research без интернета? Теперь это возможно. OpenResearcher — это полностью офлайн-пайплайн для генерации длинных исследовательских траекторий (100+ шагов), которые имитируют реальный процесс работы агента в интернете: search → open → find → анализ → вывод. И всё это: - без API поиска - без ограничений по rate limit - без нестабильности результатов - полностью воспроизводимо Что под капотом: - GPT-OSS-120B генерирует исследовательские цепочки - Локальный поисковик + корпус 10 трлн токенов - 15 млн документов FineWeb - 10 000 «золотых» отобранных источников - Явные примитивы браузинга (поиск, открытие, извлечение), а не просто retrieve-and-read - Reject sampling — сохраняются только успешные длинные траектории Почему это важно? Главная проблема обучения research-агентов — длинные цепочки действий. Обычные датасеты короткие и не учат модель думать на горизонте десятков шагов. Здесь результат впечатляет: SFT на этих траекториях повышает точность модели Nemotron-3-Nano-30B-A3B с 20.8% → 54.8% на BrowseComp-Plus (+34% абсолютного прироста) Что это значит для индустрии: - Deep-research агентов можно обучать без дорогих онлайн-запросов - Появляется воспроизводимое обучение tool-use - Можно масштабировать генерацию «мышления через действия» - Это шаг к стабильным автономным исследовательским AI Открытое релизнули всё: - Код, поисковик и рецепт корпуса - ~96K длинных исследовательских траекторий - Логи оценки - Обученные модели - Онлайн-демо GitHub: https://github.com/TIGER-AI-Lab/OpenResearcher Models & Data: https://huggingface.co/collections/TIGER-Lab/openresearcher Demo: https://huggingface.co/spaces/OpenResearcher/OpenResearcher Eval logs: https://huggingface.co/datasets/OpenResearcher/OpenResearcher-Eval-Logs @ai_machinelearning_big_data

🦾 На открытом уроке от Otus разберём, как сегодня ищут аномалии во временных рядах. Поговорим о точечных, контекстуальных и коллективных аномалиях, разберём кейсы, где статистические пороги не работают, и перейдём к современным ML- и DL-подходам. Вы увидите арсенал методов — от линейных моделей и SVM до ансамблей, графовых подходов и специализированных нейросетевых детекторов. Вы научитесь выбирать метод под конкретный тип данных и задачу, снижать количество ложных срабатываний и интерпретировать результаты моделей. Получите рабочие примеры на Python, которые можно адаптировать под мониторинг, финансы, IoT или безопасность. 📌 Встречаемся 18 февраля в 20:00 МСК в преддверии старта курса «Machine Learning. Advanced». Регистрация открыта: https://otus.pw/JWQe/?erid=2W5zFH7NgXJ Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

⚡️ AAI иногда помогает делать прорывы в самых неожиданных местах. Модель, обученная распознавать птиц, теперь помогает раскрывать тайны подводного мира. Главная проблема океанологии - данные. Подводные камеры записывают тысячи часов видео, но учёные физически не успевают всё просмотреть. В результате редкие виды, изменения экосистем и важные события могут оставаться незамеченными годами. Исследователи применили модели компьютерного зрения, изначально обученные на изображениях птиц. Несмотря на то, что среда полностью другая (вода, плохое освещение, шум, мутность), модель смогла: - автоматически находить морских животных в кадре - классифицировать виды - отслеживать их поведение - анализировать большие массивы данных без участия человека Transfer learning — ключевая идея. Модель уже умеет распознавать формы, текстуры, контуры и движение. Эти базовые визуальные признаки универсальны и подходят не только для птиц, но и для рыб, медуз и других морских существ. Самое интересное: - Не нужно обучать модель с нуля (экономия месяцев работы и огромных ресурсов) - Можно быстро адаптировать AI к новым научным задачам - AI способен находить редкие или неожиданные наблюдения, которые человек мог бы пропустить - Такой подход ускоряет исследования климата и состояния океанов Фактически, модель стала инструментом научных открытий, а не просто системой распознавания изображений. Главный вывод для разработчиков: Ценность AI сегодня - не в обучении новых моделей, а в умении переиспользовать существующие и переносить их в новые домены. Часто самая сильная инновация — это не новая архитектура, а новое применение. https://research.google/blog/how-ai-trained-on-birds-is-surfacing-underwater-mysteries/