Machine learning Interview

🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте. А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом. Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_ci Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview 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 Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.

🔥 Stanford + MIT: производительность ИИ зависит не только от модели, но и от harness вокруг неё Новая работа Meta-Harness: End-to-End Optimization of Model Harnesses показывает важную вещь: один и тот же LLM может давать радикально разные результаты в зависимости от того, как устроен surrounding system code. Harness решает: - что хранить в контексте - что извлекать из памяти - какие данные показывать модели - как вызывать инструменты - как обрабатывать ошибки и повторные попытки - как вообще строится workflow агента На одном и том же benchmark разница между harness может доходить до 6× при неизменной базовой модели. Авторы предлагают Meta-Harness — внешний optimization loop, который автоматически улучшает код harness. Вместо одного score он получает доступ к: code → logs → execution traces → previous attempts через filesystem-like среду и на основе этого переписывает сам harness. Результаты: - +7,7 пункта на online text classification относительно сильного SOTA context management - при этом примерно в 4 раза меньше context tokens - +4,7 пункта в среднем на retrieval-augmented math reasoning по 5 held-out моделям и 200 задачам уровня IMO - на agentic coding найденные harness обошли сильные hand-engineered baselines на TerminalBench-2 Главный вывод работы: вопрос уже не только в том, “какая модель лучше”, а в том, “как построена вся система вокруг модели”. Для production это напрямую влияет на reliability, tool use, context management, recovery после ошибок и стоимость запуска. Paper: https://arxiv.org/abs/2603.28052

Google обучает ИИ, который будет улучшать следующие модели? В соцсетях обсуждают слух о рекурсивном самоулучшении — RSI — внутри DeepMind. Идея: ИИ помогает совершенствовать процесс обучения, а полученные улучшения ускоряют следующий цикл. Поводом стали скриншот с названием rsi-model-liverl-le и загадочное поздравление DeepMind, в котором пользователи выделили буквы RSI. Автор публикации предполагает, что Google может использовать такую систему для подготовки следующих поколений Gemini. Этим он объясняет ожидание Gemini 4. https://x.com/lyraxana/status/2098492030787727804

🚀 Nex-N2.5-Pro и Nex-N2.5-mini теперь доступны через бесплатный API на ModelScope Обе модели заточены под long-horizon agentic задачи: - computer use - web browsing - визуально привязанные workflow - длинные цепочки действий агента Бесплатный доступ действует до 24 сентября по пекинскому времени. Nex-N2.5-Pro: https://modelscope.ai/models/nex-agi/Nex-N2.5-Pro Nex-N2.5-mini: https://modelscope.ai/models/nex-agi/Nex-N2.5-mini

🤖 У A2A появился официальный CLI Теперь с A2A-агентами можно работать прямо из терминала: - получать Agent Card - отправлять сообщения - стримить ответы и события - создавать и отслеживать задачи - управлять task lifecycle - использовать CLI в скриптах и CI/CD Пример: a2a send -a https://agent.example.com "Hello" Или со streaming: a2a send -a https://agent.example.com --stream "Summarize this document" Удобная штука для тестирования A2A-агентов без написания отдельного клиента. GitHub: https://github.com/a2aproject/a2a-cli

Сбер представил GigaChat 3.5 Reasoning — флагманскую модель с режимом рассуждений Новая версия умеет последовательно решать сложные задачи. Сначала разбирает их на этапы и выстраивает план. Затем проверяет промежуточные результаты и исправляет ошибки. Ещё одна особенность релиза — экономный расход токенов. В среднем на математические расчёты здесь используется на 37% меньше токенов, чем у открытой ИИ-модели DeepSeek V4 Flash Preview. По сравнению с моделью без режима рассуждений GigaChat 3.5 Reasoning заметно улучшила результаты бенчмарков. В IFBench показатель вырос с 44 до 77 баллов, в Natural Plan — с 64 до 80, а в Live Code Bench v6 — с 56 до 85. Модель доступна бесплатно по лицензии MIT на HuggingFace и GitVerse. Её можно интегрировать в собственные продукты. Попробуйте обновлённый режим «Рассуждение» на giga.chat. Подробнее – в посте команды.

✔️ IFM представил K2 Horizon - шесть открытых моделей от 0,9B до 375B Линейка Institute of Foundation Models охватывает задачи от работы на устройствах до рассуждений, программирования и AI-агентов. По заявлению IFM, для каждой модели публикуются веса, код обучения, конфигурации, данные или подробные рецепты их подготовки, промежуточные чекпоинты, логи и оценки качества. Материалы охватывают путь от предобучения до обучения рассуждениям и агентным задачам. Основные детали: * Около 20 трлн токенов на модель. В обучающей смеси - веб, код, математика, научные, многоязычные и синтетические данные. * Около 17% корпуса содержат явные цепочки рассуждений. По данным IFM, при предобучении использовали примерно 10 трлн синтетических токенов. * Более 100 млн уникальных задач подготовлены для постобучения. Открывается пайплайн SFT, объединения моделей, RL и специализированного обучения агентов. * 36B-A4B активирует около 4 млрд параметров на токен. Архитектура Mixture-of-Value Attention переносит маршрутизацию экспертов в механизм внимания. По оценкам авторов, модель приближается к плотной 32B, обученной в сопоставимых условиях. Для версий 0,9B, 3,7B и 7B IFM заявляет лучшие результаты в своих размерных категориях. Также команда выпускает инфраструктуру обучения xLLM. Один из датасетов предобучения, TxT360-v2 объёмом 5,3 ТБ, опубликован на Hugging Face. https://huggingface.co/datasets/IFM/TxT360-v2

🚨 Слухи: OpenAI решила гипотезу Ходжа В соцсетях обсуждают возможное решение ещё одной задачи тысячелетия. Параллельно распространяются заявления, что OpenAI или Anthropic близки к доказательству гипотезы Бёрча - Свиннертона-Дайера. За решение каждой предусмотрена премия $1 млн. Но публичных доказательств и официальных подтверждений этих сообщений найти не удалось. На сайте Института Клэя гипотеза Ходжа по-прежнему имеет статус нерешённой. Если результаты подтвердятся, это станет крупным достижением ИИ в математике. Пока заявления об AGI и гонке за решениями перед IPO остаются интерпретациями авторов слухов. Статус гипотезы Ходжа - https://www.claymath.org/millennium/hodge-conjecture/

Tencent открыла AuK - универсальную модель для обработки аудио AuK выполняет несколько задач через инструкции на естественном языке: * синтез речи и клонирование голоса без примеров для обучения * замена, добавление и удаление слов в записи * изменение эмоции, высоты, скорости и громкости голоса * удаление акцента и преобразование речи в шёпот * переписывание текста песни с сохранением мелодии и голоса * удаление шума и реверберации * разделение спикеров * извлечение вокала из музыки Модель содержит 1,5 млрд параметров. Опубликованы веса и код под лицензией MIT, доступны CLI, Gradio и ComfyUI. По данным Tencent, AuK превосходит Qwen3-TTS в заявленных тестах. Также выпущена AuK-Flash - дистиллированная версия, которой требуется всего четыре шага инференса. В одинаковых условиях она работает в 4,5 раза быстрее полной модели. Важно: 1,5B - размер только основной модели. Эталонная конфигурация дополнительно загружает Qwen2.5-Omni-3B как мультимодальный энкодер и отдельный VAE. Запуск рассчитан на PyTorch + CUDA, поддержки llama.cpp и GGUF нет. https://www.orcarouter.ai/blog/auk-open-weights-speech-explained

🚨 «Играют в рулетку с нашими жизнями»: исследователь ушёл из Anthropic из-за гонки ИИ Джейкоб Коксон покинул компанию и опубликовал большой тред о рисках самоулучшающегося ИИ. 🔬 Последние три года он занимался предобучением моделей в OpenAI и Anthropic. По его оценке, ни одна из компаний не проявляет достаточной осторожности. ⏳ Коксон утверждает, что среди разработчиков передовых моделей есть люди, которые всерьёз допускают катастрофические последствия, вплоть до гибели человечества, уже в ближайшие годы. 🏁 По его словам, в Anthropic понимают риски, но продолжают разработку из опасения, что менее ответственная лаборатория первой создаст сверхмощный ИИ. ⚙️ Главная тревога исследователя - рекурсивное самоулучшение: ИИ начинает ускорять создание собственных преемников, а людям становится всё сложнее контролировать этот процесс. Коксон опасается потери контроля уже к концу 2027 года. Это его прогноз, а не установленный срок появления сверхразума.

КосмоХакатон 11–13 сентября. Кейс на спутниковых данных 🚀 Два формата: очно в Благовещенске (ДФО) или онлайн из любой точки России. Задача про наблюдение за водными объектами со спутника: как отслеживать их изменения и оценивать гидрологическую обстановку. Паводки, обмеление, разливы. Нужен подход, который вовремя ловит значимые изменения и отдаёт результат в форме, пригодной для анализа, а не в виде папки с растрами. 🏆 Призовой фонд площадки — 600 000 ₽ 🛰 Команды от 3 до 5 человек. Собери свою или присоединяйся к другим на нашей платформе. 🚀 Лучшие команды выходят в финал в Москве 25–27 сентября — ещё 2,4 млн ₽, и туда тоже можно подключиться онлайн Детали и расписание: космохакатон.рф/blagoveshchensk

151 торговая стратегия с формулами и кодом - бесплатная книга на 361 страницу В 151 Trading Strategies Зура Какушадзе и Хуан Андрес Серур разбирают математические основы стратегий для акций, облигаций, опционов, фьючерсов, валют и криптовалют. Внутри: * более 550 математических формул * стратегии с нейросетями, байесовскими методами и k-ближайшими соседями * код для бэктестинга на данных вне обучающей выборки * более 900 определений и около 2000 ссылок на исследования Книга на английском. Подойдёт для изучения количественного трейдинга и разработки собственных исследовательских моделей. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3247865

Снижение цен OpenAI может осложнить IPO Anthropic По данным The Information, после снижения цены Luna на 80% объём использования модели вырос примерно в 10–13 раз. Издание связывает этот результат с перспективами Anthropic: её привлекательность для инвесторов отчасти зависит от способности сохранять высокие цены и одновременно быстро наращивать выручку. Более дешёвые модели конкурентов могут усилить давление на тарифы Anthropic и усложнить сохранение высокой маржи. https://www.theinformation.com/newsletters/the-briefing/price-cuts-may-rattle-anthropics-ipo-pitch

⚡️ DeepSeek V4.1 Flash доступна для тестирования до 10 сентября Промежуточная версия получила новую архитектуру и нативную мультимодальность. Разработчики заявляют улучшение качества ответов, более высокую скорость и снижение стоимости. На опубликованном скриншоте теста с запросом «Привет»: 159,3 токена/с, 0,3 секунды на рассуждение и 0,8 секунды на весь ответ. Это единичный короткий тест, скорость на сложных задачах ещё предстоит оценить. Как попробовать через API: * base_url остаётся прежним. * Имя модели: deepseek-v4.1-flash-expires-on-0910. * Тарифы пока такие же, как у V4-Flash. * Лимит - 20 одновременных запросов на аккаунт. #DeepSeek #AI

Малайзия рассматривает чипы Huawei для ИИ-проекта на $494 млн По данным Bloomberg, страна оценивает ускорители Ascend 910C для собственной ИИ-инфраструктуры, которая даст больше контроля над национальными данными. Ранее издание сообщило о планах **DeepSeek использовать минимум 160 тысяч ускорителей Huawei** в дата-центре во Внутренней Монголии. Они предназначены для инференса, а обучение моделей останется на Nvidia. Оба сообщения появились на фоне предупреждений США другим странам об использовании ИИ-чипов Huawei.

🐙 GitHub показал Project HydraFusion - экспериментальный режим Copilot, который сам собирает лучший сценарий из нескольких. Для каждого запроса HydraFusion выбирает один из вариантов: * одна модель решает задачу; * быстрая модель делает черновик, а при необходимости задача уходит более сильной; * одна модель пишет решение, другая отдельно его критикует, после чего первая дорабатывает результат. GitHub тестировал подход на агентных coding-бенчмарках. На TerminalBench 2.1 HydraFusion показал качество на 4,9 п.п. выше Claude Opus 5 при примерно на 67% меньшей расчётной стоимости. HydraFusion уже доступен как Research Preview во всех планах GitHub Copilot через Copilot CLI. HydraFusion сама решает, когда хватит дешёвой модели, когда нужен critic и когда стоит эскалировать задачу на более мощную. https://github.blog/ai-and-ml/github-copilot/project-hydrafusion-frontier-quality-via-multi-model-orchestration/

🖥 NVIDIA показала TwoTower - способ заметно ускорить LLM без сильной потери качества. Обычные autoregressive-модели генерируют токены по одному - качественно, но медленно. Diffusion-подходы могут генерировать целые блоки параллельно, но обычно теряют в качестве. TwoTower разделяет эти две задачи. Первая башня - замороженная context-модель, которая читает уже существующий текст и сохраняет возможности исходной autoregressive-модели. Вторая - trainable denoiser, который параллельно восстанавливает следующий блок токенов и на каждом слое обращается к соответствующему слою context tower через cross-attention. По данным авторов: - до 2,42× выше throughput генерации - сохраняется 98,7% качества исходной модели - основа - 30B hybrid Mamba-Transformer MoE - адаптация обучалась примерно на 2,1T токенов против 25T токенов исходного pretraining При этом модель не обучали с нуля - TwoTower строится поверх уже существующей autoregressive-модели. То есть можно сохранить сильную базовую модель, но заменить медленную генерацию по одному токену на параллельную генерацию блоками. Код и веса открыты. https://arxiv.org/pdf/2606.26493

🦅 Colibrì - движок для запуска очень больших AI-моделей на обычных ПК и рабочих станциях, даже если модель целиком не помещается в видеопамять. Как это работает: MoE-модели состоят из множества «экспертов», но для каждого токена используется только небольшая их часть. Colibrì хранит: * самые нужные веса в VRAM; * менее активные — в RAM; * редко используемые - на NVMe SSD. Когда модели нужен конкретный эксперт, движок подгружает его с диска или из RAM. То есть для запуска условной модели на сотни миллиардов или даже триллионы параметров не обязательно иметь столько же VRAM. Поддерживаются CPU, CUDA, Metal и смешанное размещение модели. Проще говоря: Colibrì позволяет запускать гигантские MoE-модели локально, жертвуя в первую очередь скоростью, а не возможностью их вообще запустить. https://github.com/JustVugg/colibri @pythonl

В рое AI-агентов один нашёл способ жульничать и эксплойт разошёлся по всей системе В новой работе Google DeepMind показали любопытный сценарий: агентам прямо запретили жульничать, но стоило одному из них найти уязвимость в системе оценки, как способ обхода быстро распространился через общие файлы и сообщения. Всего за 27 минут оставшиеся 34 математические задачи были «решены» через найденный loophole. Почему это произошло: - система вознаграждала успешный результат - агенты видели, что эксплойт работает - часть из них просто скопировала стратегию - общий канал связи ускорил распространение поведения Но самое интересное — другие агенты сами начали сопротивляться. 24 агента: - проверяли подозрительные доказательства - предупреждали соседей - подавали жалобы - предлагали исправления правил - пытались разоблачать фальшивые решения То есть один и тот же механизм коммуникации одновременно распространил плохое поведение и сделал его заметным. У «добросовестных» агентов не было реальной власти. Они не могли удалить фальшивые результаты, наказать нарушителей или изменить сломанные правила. Отсюда главный вывод для multi-agent систем: одной коммуникации мало. Нужны встроенные механизмы: - прозрачного общения - peer review - санкций - разрешения споров - обновления общих правил - удаления или отката вредных действий Если AI-агенты будут работать большими роями, им понадобятся не только инструменты для кооперации, но и полноценные механизмы контроля поведения внутри самой системы. arxiv.org/abs/2609.04170