Machine learning Interview

Пост 🚀 Step-Audio-R1 — первый аудио-LLM, который открыл масштабирование вычислений на этапе инференса для задач звука. Новый рубеж для моделей, работающих с живым аудио. 🛠️ Ключевые возможности: - глубокое понимание аудиосигнала - реакция в реальном времени - масштабируемые цепочки рассуждений для аудио-задач 🔥 Производительность: - превосходит Gemini 2.5 Pro и сопоставим с Gemini 3 на ключевых бенчмарках по аудио-reasoning - 96% точности в режиме реального времени - выше, чем GPT Realtime и Gemini 2.5 Flash Native Audio Dialog - латентность первого токена - всего 0.92 секунды Step-Audio-R1 использует Modality-Grounded Reasoning Distillation (MGRD) - подход, при котором цепочки рассуждений привязываются не к "домыслам модели", а к реальным акустическим признакам сигнала. То есть модель рассуждает, опираясь на звук, а не на абстракции из текста. Это убирает галлюцинации, повышает надёжность и позволяет масштабировать глубину reasoning так же, как это делают текстовые R1-подобные модели, но теперь в аудио. Новый этап: LLM, которые думают не только над текстом, но и над реальным звучанием мира. 👾Demo: https://stepaudiollm.github.io/step-audio-r1/ 📄 Paper: https://arxiv.org/abs/2511.15848 🐙 GitHub: https://github.com/stepfun-ai/Step-Audio-R1

Яндекс — место, где наука и бизнес работают вместе. Мы превращаем исследования и аналитические данные в реальные продукты для миллионов пользователей. Сейчас мы ищем сильных аналитиков — с опытом на Python от 3 лет. Участвуйте в Weekend Offer, чтобы пройти все собеседования и получить офер всего за 2 дня. Как всё устроено: • Подайте заявку до 3 декабря. • Пройдите технические секции 6 декабря. • Познакомьтесь с командами и получите офер 7 декабря. На сайте собрали все подробности — читайте по ссылке и регистрируйтесь: https://yandex.ru/project/events/wo-analytics-1225

✔️ Подробный туториал, который показывает, как с нуля собрать собственную систему распознавания аудио прямо на устройстве. Используется модель LFM2-Audio-1.5B от LiquidAI, а все данные остаются приватными. Полностью локальный пайплайн, который можно адаптировать под свои задачи и интегрировать где угодно. Готовый разбор и код - по ссылке: https://github.com/Liquid4All/cookbook/tree/main/examples/audio-transcription-cli

Ноябрь — месяц One Day Offer в GigaChat и Kandinsky 📆 В ноябре команды двух топовых IT-продуктов Сбера планируют обрести новых классных коллег — DL Engineers и Researchers, чтобы вместе работать над GigaChat и Kandinsky: развивать, обучать и дообучать модели. Смотрите расписание One Day Offer и не упустите шанс присоединиться к крупнейшему AI-комьюнити. Целых восемь мероприятий, чтобы изменить свою карьеру и жизнь — выбирайте то, что подходит под навыки и цели, и регистрируйтесь!

🧠 Погружение в глубокое обучение: от основ до GPT Этот репозиторий предлагает серию блокнотов, которые проведут вас через ключевые концепции глубокого обучения, от базовых элементов до создания и понимания современных моделей, таких как GPT. Каждый блокнот последовательно раскрывает темы, включая нейронные сети и сверточные архитектуры. 🚀 Основные моменты: - Пошаговое изучение глубокого обучения. - Создание первой нейронной сети. - Изучение сверточных нейронных сетей. - Погружение в архитектуры ResNet. - Работа с моделями GPT и их настройка. 📌 GitHub: https://github.com/Infatoshi/all-of-it #jupyter

⚡️ VK RecSys Challenge проходит на датасете VK-LSVD — одном из самых масштабных датасетов для рекомендательных систем. Датасет хронологический, без повторных user–item, с полными метаданными пользователей и клипов. Есть подсэмплы и гибко конфигурируемые выборки (urX / ipX / upX), что делает его удобным для тестирования retrieval-моделей, ранжирования и гибридных систем. Предоставлен шаблон пайплайна для воспроизводимых экспериментов. На сам VK RecSys Challenge все еще принимают заявки, регистрация открыта до 15 декабря. Призовой фонд — 2 500 000 рублей. https://habr.com/ru/companies/vk/articles/970350/ #RecSys #ML #Datasets #VK

⚡️ VK RecSys Challenge проходит на датасете VK-LSVD — одном из самых масштабных датасетов для рекомендательных систем. Датасет хронологический, без повторных user–item, с полными метаданными пользователей и клипов. Есть подсэмплы и гибко конфигурируемые выборки (urX / ipX / upX), что делает его удобным для тестирования retrieval-моделей, ранжирования и гибридных систем. Предоставлен шаблон пайплайна для воспроизводимых экспериментов. На сам VK RecSys Challenge все еще принимают заявки, регистрация открыта до 15 декабря. Призовой фонд — 2 500 000 рублей. https://habr.com/ru/companies/vk/articles/970350/ #RecSys #ML #Datasets #VK

🔥 Вышел новый ИИ-учёный от легендарного Эндрю Ына, сооснователя Coursera и преподавателя Стэнфорда. Он делает точнейшие исследования уровня PhD по любой теме. • Проверяет даже целую диссертацию за секунды — находит ошибки, недочёты, проверяет факты, ссылки и оформление по требованиям вашего университета. Научрук примет работу без мучений, а вы забудете про бесконечные правки. • ИИ-агент максимально «живой» — работает так, будто это дотошный профессор, который правит всё до последней буквы. • Итог — пишете быстрее, успеваете больше, и можете публиковаться чаще. Больше никаких месяцев ожидания рецензии — он проверяет и «принимает» работу мгновенно. https://paperreview.ai/

⚡️МЧС тестирует нейросеть для расследования пожаров ИИ, созданный на базе Yandex Cloud, помогает сотрудникам МЧС оформлять протоколы осмотра места пожара за секунды — вместо привычных 40–60 минут. Система анализирует фото, выделяет ключевые объекты и формирует описание, которое используется в официальных документах. Пока проект проходит пилот в Академии ГПС МЧС, но планируется масштабирование по всей стране. Технология может применяться и в страховании или промышленности — для анализа инцидентов и оценки ущерба.

⚡️ Anthropic оценила влияние ассистентов на темпы роста производительности Anthropic проанализировала 100 тыс. анонимизированных диалогов с Claude, чтобы оценить, как модели влияют на фактическое время выполнения задач. Ключевые результаты: - Оценка даёт потенциальный рост производительности в 1.8% ежегодно - примерно вдвое выше недавних темпов в США. - Метод основан не на лабораторных тестах, а на сравнении: сколько заняла бы задача у специалиста vs как быстро её закончили в чате. - Медианная экономия времени - 80% на задачу. - Максимальные выигрыши — у высокооплачиваемых ролей: разработчики, юристы, менеджеры. - Сложные задачи, которые обычно занимают ~2 часа, сокращаются сильнее всего. - Работы с низкой оплатой (логистика, обслуживание, приготовление еды) дают минимальное ускорение. - Валидация через реальные JIRA-тasks показала корреляцию оценки длительности 0.44, что близко к 0.50 у разработчиков-людей. Ограничения: - Измеряется только время в чате. - Не учитывается "integration tax" — проверка, исправление и перенос результата в рабочие pipeline'ы. - Реальный эффект на производительность может быть заметно ниже. 📎 Исследование: https://www.anthropic.com/research/estimating-productivity-gains

Как это — работать в Т-Банке? Загляните в канал T-Crew, где увидите: — жизнь и будни команды; — ИТ-хабы компании по всей России; — анонсы мероприятий; — кейсы, статьи и советы для карьерного роста. Еще здесь можно раньше других найти вакансии в ИТ и диджитале. За полезным — сюда Реклама. АО "ТБанк", ИНН 7710140679, лицензия ЦБ РФ № 2673, erid:2RanynbMUFk

⚡️ Anthropic оценила влияние ассистентов на темпы роста производительности Anthropic проанализировала 100 тыс. анонимизированных диалогов с Claude, чтобы оценить, как модели влияют на фактическое время выполнения задач. Ключевые результаты: - Оценка даёт потенциальный рост производительности в 1.8% ежегодно - примерно вдвое выше недавних темпов в США. - Метод основан не на лабораторных тестах, а на сравнении: сколько заняла бы задача у специалиста vs как быстро её закончили в чате. - Медианная экономия времени - 80% на задачу. - Максимальные выигрыши — у высокооплачиваемых ролей: разработчики, юристы, менеджеры. - Сложные задачи, которые обычно занимают ~2 часа, сокращаются сильнее всего. - Работы с низкой оплатой (логистика, обслуживание, приготовление еды) дают минимальное ускорение. - Валидация через реальные JIRA-тasks показала корреляцию оценки длительности 0.44, что близко к 0.50 у разработчиков-людей. Ограничения: - Измеряется только время в чате. - Не учитывается "integration tax" — проверка, исправление и перенос результата в рабочие pipeline'ы. - Реальный эффект на производительность может быть заметно ниже. 📎 Исследование: https://www.anthropic.com/research/estimating-productivity-gains

🌟 ZAYA1: первая MoE-модель, полностью обученная на стеке AMD. Есть устойчивое мнение, что серьезное обучение нейросетей возможно только на чипах одной известной компании. В Zyphra решили доказать обратное, и, в сотрудничестве с AMD и IBM провели эксперимент, который на практике доказал, что есть альтернатива. Стартап опубликовал техотчет и результат - модель ZAYA1. Это первая модель архитектуры MoE, обученная полностью на платформе AMD. Сеттинг проекта был действительно "красным": графические процессоры AMD Instinct, сетевые интерфейсы AMD Pensando и программный стек ROCm. ZAYA1 получилась довольно интересной. У неё 8.3 млрд. общих параметров, из которых активных всего 800 миллионов. Несмотря на компактность, в тестах она выглядит бодро. В ризонинге, математике и программирование ZAYA1 обошла Llama-3-8B и OLMoE. А по общим показателям встала в один ряд с Qwen3-4B и гугловской Gemma3-12B. Обучение проходило на кластере IBM Cloud, где модель переварила 14 трлн. токенов. Но дело не только в железе, в папйплайне использовали архитектурные инновации: 🟢Новый механизм внимания - Compressed Convolutional Attention. Он использует свертки внутри блока внимания, это снизило нагрузку на вычисления и память. 🟢Переделали маршрутизатор MoE. Вместо стандартного линейного роутера, ZAYA1 использует сложную последовательность операций, что заставляет "экспертов" внутри нейросети специализироваться гораздо лучше. 🟢Residual Scaling. Добавили обучаемые скалярные гейты в остаточный стрим на выходы каждого блока, чтобы модель контролировала степень забывания. ⚠️ Для запуска инференса потребуется ветка zaya форка transformers из репозитория Zyphra. 📌Лицензирование: Apache 2.0 License. 🟡Статья 🟡Модель 🟡Arxiv @ai_machinelearning_big_data #AI #ML #LLM #MoE #Zyphra

⚡️ Hunyuan 3D Engine Новый высокоточный ИИ-движок сокращает производство коммерческих 3D-ассетов с недель до нескольких минут. Платформа поддерживает создание объектов из текста, изображений с мультивидовой реконструкцией и даже из простых скетчей. Это делает процесс максимально гибким и доступным как художникам, так и командам в индустрии. Качество отвечает профессиональному уровню. Новый 3D-DiT модельный стек обеспечивает трёхкратный прирост точности и выдаёт ультра-HD разрешение. Форматы OBJ и GLB легко подключаются к Unreal Engine, Unity и Blender. Модель также доступна через Tencent Cloud International. Платформа даёт новым авторам 20 бесплатных генераций в день. Корпоративные клиенты получают 200 бесплатных кредитов при регистрации. Попробовать движок можно на 3d.hunyuanglobal.com API: tencentcloud.com/products/ai3d #AI #3D #Hunyuan3D #Tencent #AItools #3Dgeneration

⏬ Привет, это Yandex for Analytics Предлагаем размяться и проверить свои навыки. Ответы есть, но подглядывать во время решения — неспортивно ⬇️ 🔵 Задача 1. Вспоминаем теорию вероятностей 🔵 Задача 2. Теорема Байеса 🔵 Задача 3. Базовая база теории игр 🔵 Задача 4. Тренируем SQL 🔵 Задача 5. Честная математическая статистика 🔵 Задача 6. Что-то на бизнесовом 💠 Скоро вернёмся с новыми задачами. А пока делитесь своими решениями в комментариях! Подписывайтесь: 💬 @Yandex4Analytics

⚡️ Вышел Claude Opus 4.5. • Лучший результат в классе кодинга - SWE Verified впервые превышает 80%. • Лучший результат на Arc-AGI-2 - 37.6%. • И модель стала заметно дешевле предшественника. Opus 4.5 примерно на 66% дешевле, чем Opus 4.1 - цена упала с примерно 15 долларов США → до 5 долларов США за миллион входящих токенов и с 75 долларов США → до 25 долларов США за миллион исходящих токенов. Наиболее вероятные причины: - значительное повышение эффективности модели - улучшенная инфраструктура вывода в масштабе - и стратегическое снижение цен для ускорения внедрения на быстрорастущем рынке. Крупные сделки с гиперскейлерами окупились. Anthropic выдала модель, которая оказалась неожиданно сильной даже по меркам конца 2025 года. https://www.anthropic.com/news/claude-opus-4-5

Искусственный интеллект больше не ограничивается лабораториями. LLM уже встроены в бизнес, продукты и инфраструктуру. Но тех, кто умеет их разворачивать, обучать и внедрять — единицы. 🦾 Курс «LLM Driven Development» от OTUS даст вам системное понимание того, как создавать и эксплуатировать AI-продукты. Вы изучите архитектуру трансформеров, тонкости работы с памятью, оптимизацию и fine-tuning моделей. Освоите LangChain, LlamaIndex, vLLM и научитесь строить мультиагентные AI-системы, объединяя модели в цепочки решений. Научитесь внедрять LLM в реальные сервисы: от прототипа до продакшна. Поймёте, как интегрировать AI в бэкенд, собирать данные, автоматизировать MLOps и управлять жизненным циклом модели. ➡️ Старт курса уже скоро. Оставьте заявку и станьте одним из первых специалистов, кто понимает LLM не на уровне «подключить API», а на уровне архитектуры и инженерии: https://tglink.io/2820b14152aa?erid=2W5zFJoUwjn #реклама О рекламодателе

Джеффри Хинтон сообщил Берни Сандерсу, что ИИ может привести к массовой безработице и социальной нестабильности. Он предупреждает: стремительное развитие ИИ способно не просто изменить работу, а заменить огромные её сегменты. Это может усилить неравенство, когда выгоду получат немногие, а многие потеряют стабильную и значимую занятость. Если общество не подготовится заранее, такая динамика может дестабилизировать страну и вызвать серьёзные социальные потрясения. https://www.businessinsider.com/godfather-ai-geoffrey-hinton-warns-not-ready-for-whats-coming-2025-11

🌟 LLM Council: на ваши запросы отвечает совет из языковых моделей. Андрей Карпаты опять выходит на связь опубликовал очередной vibecode проект. Его идея в том, что вместо того, чтобы задавать вопрос одной LLM, вы можете объединить их в «Совет моделей». LLM Council - это простое локальное веб-приложение, с интерфейсом как у ChatGPT, но с той разницей, что запрос отправляется через Openrouter нескольким LLM. Полученные ответы перекрестно оцениваются и ранжируются, и, наконец, «модель-председатель совета» формирует окончательный ответ. Более подробно процесс выглядит так: 🟢Этап 1: Сбор мнений.  Запрос отправляется всем моделям по отдельности, и их ответы собираются. Ответы каждой модели отображаются в отдельной вкладке, чтобы можно было их посмотреть вручную. 🟢Этап 2: Рецензирование.  Каждая модель получает ответы других моделей. При этом идентификаторы анонимизированы, чтобы исключить «игру в любимчиков» при оценке чужих результатов. На этом этапе ответы ранжируются их по точности и глубине анализа. 🟢Этап 3: Итоговый ответ.  Модель-председатель принимает все ответы моделей и компилирует их в единый окончательный ответ. ⚠️ Для использования нужен API-ключ OpenRouter. На платформе есть бесплатные модели 🖥Github @ai_machinelearning_big_data #AI #ML #LLMCouncil #Github

✔️ Интересные инсайты из нового отчёта McKinsey об ИИ - Около 88 % компаний сообщают о регулярном использовании ИИ хотя бы в одной бизнес-функции, но большинство всё ещё остаются на уровне пилотов и экспериментов - без масштабирования на всю организацию и заметного влияния на финальные показатели. - Компании, которые уже получают значимую выгоду (≈ 6 %), используют ИИ не как инструмент повышения эффективности, а как двигатель роста и инноваций - перестраивают процессы и серьёзно инвестируют в ИИ-компетенции. "Ожидания респондентов о влиянии ИИ на численность персонала в следующем году расходятся: 32 % ожидают сокращения, 43 % — отсутствие изменений, 13 % - рост." Мы всё ещё на очень раннем этапе. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai#/