Machine learning Interview

🐳 Whale запускает уникальный конкурс для разработчиков ИИ Смысл простой: ты создаёшь AI-игрока, подключаешь его, и он сам играет, анализирует и пытается заработать больше всех. $10,000 призовой фонд, турнир пройдет 14 дней. Задача бота - анализировать состояние игры, выбирать стратегию и управлять балансом, адаптироваться к результатам и минимизировать потери. Перед стартом есть sandbox для тестов без риска. Подключение простое, поддерживаются GPT, Claude и другие MCP-совместимые решения. ➡️ Whale

Claude Opus 4.6 внезапно «потупил» на 67% Появились данные, что новая версия Claude Opus думает заметно меньше. Минус 67% reasoning, и это уже прозвали AI shrinkflation. Цена при этом не изменилась. А вот поведение изменилось. Пользователи отмечают более жёсткие ограничения и менее глубокие ответы. Самое интересное, что Anthropic никак это не комментировали, пока цифры не начали разлетаться публично. Есть версия, что это банальная оптимизация затрат. Меньше compute на текущей модели, чтобы освободить ресурсы под следующую, которую называют Mythos. Если это так, то тренд становится очевидным. Модели будут не только умнеть, но и «ужиматься» под экономику. И не всегда в пользу качества. Вопрос теперь не в том, какая модель сильнее на бенчмарках. А в том, какую версию ты реально получаешь сегодня в проде.

После LLM Wiki Карпаты появился следующий уровень работы с контекстом LLM читает источники, вытаскивает знания и собирает их в Markdown-вики с ссылками и связями. Получается база, которая не пересчитывается заново каждый раз. Для ресёрча это работает отлично. Концепты и их связи почти не меняются. Но как только ты переносишь это в реальную работу, модель начинает теряться. Потому что рабочий контекст живой: ▫️ встречи ▫️ дедлайны ▫️ решения ▫️ договорённости Вики хранит описание проекта. Но не хранит, что реально произошло и как это менялось. И здесь появляется другой подход. Rowboat берёт ту же базу с Markdown и Obsidian, но вместо вики строит граф знаний. Каждая сущность становится отдельным объектом: ▫️ человек ▫️ решение ▫️ обязательство ▫️ дедлайн И всё это связывается между собой через ссылки. Разница ощущается сразу. Вики даёт тебе «о чём был проект». Граф даёт тебе: ▫️ кто принял решение ▫️ что именно пообещали ▫️ когда это сделали ▫️ что изменилось Rowboat подтягивает данные из Gmail, Granola, Fireflies и разбивает разговоры не на страницы, а на факты. Каждое решение или обязательство становится отдельным md-файлом с привязкой к людям и проектам. Поверх этого крутятся фоновые агенты. Например, ежедневный бриф собирается автоматически из всех изменений в графе. Ты сам контролируешь, что запускать и что записывать обратно. Модель можно подключить любую: ▫️ через Ollama ▫️ LM Studio ▫️ или API Все данные лежат в обычном Markdown. Можно открыть в Obsidian, изменить или удалить. Карпаты показал, как компилировать знания. Rowboat показывает, как фиксировать реальность работы. Следующий шаг после «умной вики» это система, которая помнит не только идеи, но и решения. Repo: https://github.com/rowboatlabs/rowboat

🔥 Лучшие курсы по ИИ, которые можно пройти бесплатно в 2026: Anthropic: http://anthropic.skilljar.com Google: http://grow.google/ai NVIDIA: http://developer.nvidia.com/training (топ уровень) Огромный список лучших бесплатных курсов Data Science на русском: https://uproger.com/data-science-luchshie-besplatnye-kursy/ Microsoft: http://learn.microsoft.com/training OpenAI: http://academy.openai.com IBM: http://skillsbuild.org AWS: http://skillbuilder.aws Математика машинного обучения: https://www.youtube.com/watch?v=ma50i4M5aAw DeepLearningAI: http://deeplearning.ai Hugging Face: http://huggingface.co/learn FastAI: http://course.fast.ai Kaggle Learn: http://kaggle.com/learn Stanford AI: http://cs231n.stanford.edu MIT OpenCourseWare: http://ocw.mit.edu Full Stack Deep Learning: http://fullstackdeeplearning.com DeepMind Resources: http://deepmind.com/learning-resources OpenAI Cookbook: http://github.com/openai/openai-cookbook Papers With Code: http://paperswithcode.com AssemblyAI Blog: http://assemblyai.com/blog

🔥 AlphaEvolveИ против классической оптимизации, результат минус 15 000 км Google показали кейс FM Logistic, и он куда интереснее, чем кажется на первый взгляд. Это не стартап с хаосом, а большая международная компания с уже хорошо оптимизированными процессами. Тем ценнее результат. В центре история про классическую задачу коммивояжера. Нужно построить самый короткий маршрут через все точки. Формулировка простая, но на практике это одна из самых сложных задач оптимизации. Количество вариантов растет так быстро, что даже для сотни точек полный перебор невозможен. Теперь масштаб. Склад FM Logistic это 17 700 точек и площадь примерно как 8 футбольных полей. Одновременно работают несколько операторов, маршруты ограничены по длине и должны строиться прямо в процессе работы. То есть это уже не учебная задача, а жесткий прод с кучей ограничений. Они дали свой алгоритм AlphaEvolve и дальше началось самое интересное. Система сама генерировала новые версии решения, прогоняла их на реальных данных и отбирала лучшие по метрикам. По сути, это эволюция кода под реальные условия, а не лабораторная оптимизация. В результате нашли конкретные улучшения, которые дали плюс 10.4% к эффективности маршрутов. В логистике это огромная цифра. В их случае это около 15 000 километров в год и серьезная экономия денег. Решение уже работает в проде и его планируют масштабировать на другие склады. Хороший пример того, как агентный подход и эволюционные алгоритмы начинают менять не демки, а реальные бизнес-процессы. https://cloud.google.com/blog/products/ai-machine-learning/how-fm-logistic-tackled-the-traveling-salesman-problem-at-warehouse-scale-with-alphaevolve

🚀 Автоматизация оптимизации GPU-ядра с AutoKernel AutoKernel - это инструмент для автономной оптимизации GPU-ядр на основе моделей PyTorch. Он профилирует модели, выявляет узкие места и автоматически генерирует оптимизированные ядра Triton или CUDA C++. Пользователь может просто запустить процесс и проснуться с готовыми улучшениями. 🚀 Основные моменты: - Автономное извлечение и оптимизация GPU-ядр. - Поддержка различных моделей PyTorch. - Интеграция с KernelBench для глубокого тестирования. - Высокая скорость экспериментов — до 320 за ночь. - Проверка корректности и производительности на каждом этапе. 📌 GitHub: https://github.com/RightNow-AI/autokernel #python

🚀 GigaChat 3.1 Ultra и GigaChat 3.1 Lightning в опенсорс под MIT лицензией! Обе модели • Обучены с нуля — без инициализации зарубежными весами • MoE + MTP + MLA • Совместимы с HuggingFace, llama.cpp / vLLM / SGLang Код и веса уже на платформе GitVerse. Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками. В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.

⚡️ В крупнейшей больнице Нью-Йорка заговорили о замене радиологов ИИ CEO NYC Health + Hospitals Митчелл Кац прямо заявил: уже сейчас ИИ способен закрыть значительную часть задач радиологии. Главный барьер не технологии, а регуляция. Речь не про будущее, а про текущие возможности. ИИ уже активно используют для анализа маммограмм и рентгена, и это помогает справляться с растущим потоком исследований. Как это может выглядеть на практике ИИ делает первичное чтение снимков, а врач подключается только там, где есть отклонения или сомнения. Это ускоряет поток и снижает нагрузку на специалистов. Радиология это не поиск одной «точки на снимке». Это работа с контекстом: анатомия, история пациента, прошлые исследования, уровень неопределённости. И именно здесь ИИ пока не дотягивает до полной автономии. Поэтому даже одобренные FDA решения сегодня остаются ассистентами они улучшают качество изображений, помогают с триажем и подсвечивают аномалии, но не берут на себя финальное решение. Технология уже готова менять процесс, но ответственность пока остаётся за врачом futurism.com/artificial-intelligence/hospital-ceo-ai-radiology

⚡️ PicoClaw: ИИ-ассистент на Go, который работает на железе за $10 и жрёт меньше 10 МБ оперативки Sipeed выложили PicoClaw - ультралёгкого AI-агента, написанного на Go с нуля. Это не форк и не обёртка, а самостоятельный проект. Около 95% кода сгенерировал сам агент, а люди уже довели его до рабочего состояния. По цифрам всё выглядит очень мощно: меньше 10 МБ оперативки против гигабайтов у многих аналогов, запуск меньше чем за секунду даже на одноядерном процессоре с частотой 0.6 ГГц. Один бинарник работает на x86, ARM, MIPS, RISC-V и LoongArch. То есть PicoClaw можно запустить хоть на Raspberry Pi, хоть на дешёвом одноплатнике, хоть на старом Android-смартфоне через Termux. По возможностям тоже: 30+ LLM-провайдеров, 17+ каналов связи, MCP для внешних инструментов, веб-поиск, работа с файлами, выполнение кода, cron-задачи, субагенты, роутинг моделей и vision pipeline. Интерфейсы тоже на любой случай: WebUI для обычной работы, TUI для серверов, CLI для совсем минимальных сред. Docker Compose тоже есть из коробки. За два месяца проект набрал 26 тысяч звёзд на GitHub и 190 контрибьюторов. До полноценного продакшена он ещё не дорос, но для домашней автоматизации, умных камер, мини-серверов и edge-задач уже выглядит очень серьёзно. https://github.com/sipeed/picoclaw

⚡️ Карпати собрал второй мозг на LLM Андрей Карпаты, один из самых влиятельных людей в мире AI, поделился подходом, который может изменить то, как мы работаем с информацией. Он перестал тратить токены LLM на написание кода и переключился на нечто более интересное: построение персональных баз знаний с помощью языковых моделей. Идея простая, но мощная. Карпаты собирает сырые данные из разных источников (статьи, научные работы, репозитории, датасеты, изображения) в директорию raw/. Затем LLM инкрементально “компилирует” из этого вики – коллекцию .md файлов с четкой структурой директорий. Модель сама создает саммари, обратные ссылки, категоризирует данные по концептам, пишет статьи для каждого из них и связывает все между собой. Для конвертации веб-статей в .md файлы он использует расширение Obsidian Web Clipper, а все связанные изображения скачивает локально, чтобы LLM мог к ним обращаться. В качестве IDE выступает Obsidian. Через него Карпаты просматривает сырые данные, скомпилированную вики и визуализации. Важный момент: LLM пишет и поддерживает все данные вики самостоятельно, человек почти не трогает это руками. Плюс Obsidian-плагины вроде Marp позволяют рендерить данные в других форматах, например в слайды. Еще один крутой прием - LLM-«линтинг» вики. Модель прогоняет проверки здоровья базы, находит противоречивые данные, заполняет пробелы через веб-поиск, обнаруживает интересные связи для новых статей и постепенно повышает целостность данных. Следующий логичный шаг - синтетическая генерация данных и файнтюнинг, чтобы LLM «знала» данные в своих весах, а не только через контекстное окно. Карпати считает, что здесь есть место для нового крутого продукта, а не просто набора скриптов. И с этим сложно не согласиться. https://uproger.com/karpati-sobral-vtoroj-mozg-na-llm/

🚀 Gemma 4 - новое семейство открытых моделей Google, которые можно запускать прямо на своём железе. Модели заточены для сложного reasoning и агентных задач. 🔵 Доступны в четырёх вариантах: • 31B Dense и 26B MoE Топовый уровень производительности для сложных локальных задач: кастомные код-ассистенты, анализ научных данных и не только. • E4B и E2B (Edge) Оптимизированы для мобильных устройств — работают в реальном времени с текстом, изображениями и аудио. 🤖 Что можно делать: • строить автономных ИИ-агентов • планировать и выполнять многошаговые задачи • взаимодействовать с приложениями • искать данные и вызывать API 👉 Встроенная работа с инструментами (tool use) из коробки. 🧠 Контекст до 256K токенов: • анализ целых кодовых баз • длинные цепочки действий без потери контекста • стабильная работа в сложных сценариях ⚡️ Начать можно уже сейчас через Google AI Studio Также веса моделей доступны на Hugging Face, Kaggle и Ollama. Лицензия: Apache 2.0. https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/ @ai_machinelearning_big_data #Gemma

⚡️ 10 полностью бесплатных курсов по ИИ актуальных на 2026 год: Anthropic: http://anthropic.skilljar.com Google: http://grow.google/ai Meta: http://ai.meta.com/resources NVIDIA: http://developer.nvidia.com/training Microsoft: http://learn.microsoft.com/training OpenAI: http://academy.openai.com IBM: http://skillsbuild.org AWS: http://skillbuilder.aws DeepLearningAI: http://deeplearning.ai Hugging Face: http://huggingface.co/learn

⚡️ OpenAI УНИЧТОЖЕН - правительство Индии обвиняет компанию в незаконном использовании рабского труда индийских программистов. По «утечке», до 40% всех запросов по программированию якобы обрабатывает не GPT-5.4 Codex, а реальные разработчики из Индии, работающие в закрытых центрах в Корапуте. История получила продолжение после «закрытия» Sora, якобы сотни аниматоров вышли наружу и рассказали, как всё устроено на самом деле. Вишенка на торте - к теме даже «подключили» Трампа: он якобы заявил, что с американскими программистами у ChatGPT был бы шанс снова стать великим. Звучит как громкое расследование.

С тебя — желание работать над передовой генеративной языковой моделью. С нас — классные условия и возможность попасть в Сбер за один день! 😉 4 апреля состоится One Day Offer* для NLP-специалистов, которые готовы изменить представление о возможностях ИИ и создать технологию будущего. За последний год твоя будущая команда: ✔️ выпустила сильную русскоязычную модель GigaChat MAX уровня GPT-4 ✔️открыла доступ к MoE-модели А следующее достижение может быть уже с твоим участием. Регистрируйся по ссылке и будь готов к карьерному взлёту! * One Day Offer — предложение о работе за один день. * NLP-специалист — инженер по разработке больших языковых моделей

Парень переписал Claude Code на Python за ночь - и взорвал GitHub Anthropic случайно засветили исходники своего ИИ-редактора Claude Code и они мгновенно разлетелись по сети. Разработчик из Южной Кореи, Sigrid Jin, увидел это в 4 утра и не стал ждать. За одну ночь он переписал ключевые части проекта на Python и выложил форк под названием Claw Code. Результат: - 50 000 звёзд всего за 2 часа - вирусное распространение по всему GitHub - полноценный агентный стек, сохранённый в новой реализации Сейчас он уже работает над версией на Rust. История про то, как скорость и скилл иногда решают больше, чем команды и бюджеты https://github.com/instructkr/claw-code

Тест свежих LLM теперь - полноценная работа в 2026

Осталось 10 дней регистрации на Agents Week — интенсив по созданию ИИ-агентов от ШАДа Пять вечеров с лекциями и возможностью задавать вопросы экспертам, много и ещё раз много практики. Всё будет проходить с 6 по 10 апреля. За одну рабочую неделю погрузитесь в проектирование, настройку и продакшен ИИ-агентов. Четыре главных итога интенсива: → минус рутина → минус времени на рабочие и личные задачи → плюс возможностей и креативности → плюс вайб от нетворкинга Скорее регистрируемся по этой ссылке. Заявки принимают до 9 апреля включительно

🔥 Microsoft Critique: deep research на стероидах, где одна модель генерирует, а вторая её критикует Microsoft выкатили Critique. Это инструмент для deep research, который одновременно запускает несколько моделей на один запрос. Работает так: первая модель берёт на себя генерацию, вторая выступает рецензентом и вычищает ошибки и неточности до того, как вы увидите финальный ответ. Какие именно модели работали над ответом, видно в шапке. По бенчмарку DRACO показывают SOTA, других замеров пока нет. Так что насколько это реально лучше обычного deep research, вопрос открытый. Отдельно интересен режим Council для обычных запросов. Ваш промпт прогоняется через несколько моделей параллельно, и вы видите все варианты сразу. Плюс краткая выжимка: где модели согласны, а где разошлись во мнениях. На широкую аудиторию пока не раскатили, можно подать заявку на ранний доступ. Будет ли это в обычной подписке за $20, неизвестно. Хотя, если честно, мультимодельный пайплайн с критиком можно собрать самому за вечер через API. И точно выйдет дешевле. techcommunity.microsoft.com/blog/microsoft365copilotblog/introducing-multi-model-intelligence-in-researcher/4506011

🦾 MLOps — связующее звено между идеей, кодом и реальными бизнес-результатами Курс от OTUS научит вас превращать эксперименты в стабильные сервисы. Вы выстроите полный конвейер — от хранения данных и исходников до переобучения моделей машинного обучения и их развёртывания в Kubernetes. Освоите востребованные инструменты: Docker, Airflow, MLflow, Prometheus, Grafana, Kafka и другие. Вы научитесь управлять инфраструктурой, автоматизировать CI/CD, следить за метриками и качеством моделей. После курса вы будете не просто понимать MLOps — вы сможете строить системы, на которых держатся продукты машинного обучения. ➡️ Пройдите короткое вступительное тестирование и получите специальные условия на обучение 🎁 в честь Дня рождения Otus:: https://tglink.io/415e51b040f94d?erid=2W5zFGqgcad #реклама О рекламодателе