Математика Дата саентиста

✔️ RAG - как GPT перестал галлюцинировать и научился думать с источниками Классические LLM ограничены собственным контекстом: они выдают только то, что успели "запомнить" при обучении. RAG (Retrieval-Augmented Generation) ломает эту границу — модель получает доступ к внешним данным и способна подгружать нужные факты *в момент запроса*. Механика проста, но мощна: LLM → делает эмбеддинг запроса → ищет близкие документы в векторном хранилище → получает top-k контексты → формирует ответ на их основе. В итоге модель не "вспоминает", а всегда рассуждает на свежих данных. Где это реально работает: - в Copilot для кода, когда модель тянет сниппеты из корпоративных репозиториев; - в внутренних чатах компаний - поиск по Confluence, Notion, Jira и документации; - в R&D и науке - динамическая генерация отчётов с ссылками на реальные статьи; - в юридических и медтех-системах, где каждый ответ должен быть подтверждён источником. RAG - это уже не просто “надстройка над GPT”. Это новая архитектура, где память отделена от рассуждения, и ИИ получает навык работы с контекстом, как человек с поисковиком.

Привет! Приходите на первый ML reading club от Авито. Ярослав Хрипков, DS-инженер из команды LLM проведёт эфир, где вместе со зрителями будет разбирать статью про новую версию известной модели: Qwen3-Next: Towards Ultimate Training & Inference Efficiency. Узнаете: — Что классного в обновлённой версии модели от Alibaba. — Из-за чего выросло её качество. — Как gated attention и gated delta блоки улучшили эффективность модели. Для контекста Ярослав заглянет ещё и в другие статьи: — Gated Delta Networks: Improving Mamba2 with Delta Rule — Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free 📌 Встречаемся 14 октября в телеграм-канале «Доска AI-объявлений». ⌚️Начинаем в 18:00 мск — ссылка появится в канале за час до начала. Нюанс: если эфир будет плохо работать, попробуйте использовать сторонние сервисы и приложения, чтобы подключиться с другого IP 😉

LLM берет золото на олимпиаде по астрофизике Исследователи проверили, как современные большие языковые модели (LLM) справятся с задачами Международной олимпиады по астрономии и астрофизике (IOAA) за 2022–2025 годы. Результаты впечатляют. 🧠 Тестировались модели: GPT-5, OpenAI o3, Gemini 2.5 Pro, Claude 4.1 Opus и Claude 4 Sonnet. 📊 Что показали: - GPT-5 и Gemini 2.5 Pro набрали 85–88 % - это уровень золотой медали . - Остальные модели показали результат в диапазоне 48–76 %. - Особенно сильны GPT-5 в анализе данных и Gemini в теории. 💡 Почему это важно: - LLM впервые достигли уровня лучших олимпиадников по астрофизике. - Это демонстрирует, что модели уже решают не только текстовые, но и научные, количественные и логические задачи. - Потенциал таких систем — помощь в научных исследованиях, автоматическом анализе данных и обучении. ⚠️ Ограничения: - Олимпиадные задачи не охватывают весь спектр реальной астрофизики. - Возможны «угадывания» и шаблонные решения. - Неясно, насколько стабильно поведение моделей при реальных данных с шумом и погрешностями. 🟢Подробности: arxiv.org/abs/2510.05016

🚀 Крутая новость в области термоядерной энергии Учёные из MIT создали прорывную гибридную модель - сочетание искусственного интеллекта + физики, которая прогнозирует поведение плазмы в термоядерных реакторах и делает будущие функционирующие установки более надёжными. 🔥 Особо важный момент: модель умеет предсказывать, как ведёт себя сверхгорячая плазма во время остановки (выключения/снижения мощности), это один из самых опасных моментов работы реактора, когда могут происходить разрушительные возмущения. В отличие от обычных ИИ-моделей, эта требует гораздо меньше тренировочных данных, но остаётся очень точной. Учёные также разработали алгоритм, который превращает прогнозы модели в конкретные инструкции по управлению плазмой: например, как менять силу магнитов или температуру, чтобы плазма оставалась стабильной и безопасно “загасла”. 🟢 Новость: https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007 @data_math

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: https://t.me/+EPEFXp67QfIyMjMy Python: https://t.me/+cq7O4sOHldY1ZTIy Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 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 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!

✔️ ИИ помог Теренсу Тао найти контрпример в математике Один из величайших математиков современности, Теренс Тао, использовал искусственный интеллект, чтобы решить задачу на MathOverflow о последовательности наименьших общих кратных. У него было теоретическое подозрение, что ответ отрицательный, но требовались конкретные числовые параметры для построения контрпримера. Сначала Тао просил ИИ сгенерировать Python-код для поиска, но из-за неверных параметров и долгого времени выполнения этот путь оказался неэффективным. Затем он перешёл к пошаговому алгоритму: ИИ выполнял эвристические расчёты, помогая сузить диапазон параметров. В итоге удалось получить рабочие значения, которые Тао проверил самостоятельно с помощью короткого Python-скрипта, также созданного ИИ. Такая стратегия позволила сэкономить часы ручного кодирования и отладки: ИИ не только ускорил поиск, но и выявил несколько ошибок в начальных рассуждениях. Этот случай показывает, как современные системы могут становиться реальными ассистентами даже в фундаментальной математике. mathstodon

✔️ Математика в машинном обучении» - бесплатный курс, который предназначен для тех, кто хочет углубить свои знания в области математики, необходимой для понимания и применения методов машинного обучения и искусственного интеллекта. Этот курс охватывает ключевые математические концепции, лежащие в основе современных алгоритмов машинного обучения, таких как линейная алгебра, теория вероятностей, статистика и оптимизация. Курс

Ряд Тейлора - это мощный инструмент в математическом анализе, который позволяет представить гладкую функцию в виде бесконечной суммы её производных в одной точке. По сути, он даёт способ приближать сложные функции с помощью многочленов. Каждый член ряда включает производную более высокого порядка, вычисленную в выбранной точке, и умноженную на соответствующую степень переменной. Вблизи этой точки многочлен Тейлора точно повторяет поведение исходной функции, и чем больше членов ряда учитывать, тем точнее становится приближение. Эта концепция является фундаментальной как в теоретической, так и в прикладной математике - от решения дифференциальных уравнений до работы алгоритмов в численном анализе и физике.

Выбираешь вуз? Давай разберёмся! Если завис на последнем варианте – тебе в ЦЭ-500 👈 Рассказываем, как выбрать перспективную специальность и сразу после выпуска попасть на крутое предприятие. #реклама О рекламодателе

📐 Генерируйте пошаговую LaTeX-документацию прямо из Python-кода с помощью handcalcs Показывать промежуточные шаги расчёта — критично для отчётов и верификации: так стейкхолдеры видят логику, а не только итоговое число. Писать LaTeX вручную для каждого шага — долго и рутинно. handcalcs снимает эту боль: он автоматически превращает ваш Python-код в понятные математические выкладки (с формулами и подстановками), готовые для вставки в отчёт, ноутбук или публикацию. Зачем это нужно • инженерные записки и техотчёты с проверяемыми шагами • документация к моделям данных и расчётам в DS/ML • учебные материалы и туториалы с «развёрнутыми» формулами Как это выглядит на практике

# pip install handcalcs

from math import pi
from handcalcs.decorator import handcalc

# handcalcs возьмёт выражения внутри функции и сгенерирует пошаговые формулы
@handcalc()
def circle_area(r):
    A = pi * r**2
    return A

latex_output = circle_area(3)   # возвращает LaTeX со всеми шагами: A = π·r^2 → подстановка → результат
print(latex_output)

# Пример для инженерной механики
@handcalc()
def bending_stress(F, L, b, h):
    I = b * h**3 / 12
    M = F * L
    y = h / 2
    sigma = M * y / I
    return sigma

print(bending_stress(F=1500, L=2.0, b=0.05, h=0.02))

Подсказки к использованию • держите формулы в чистом виде: переменные и выражения — внутри функций, без «магических» чисел • для отчётов экспортируйте LaTeX-строки в файл и подключайте в шаблон (или вставляйте в Markdown с MathJax) • фиксируйте входные параметры: handcalcs красиво покажет подстановку значений и все промежуточные шаги Итог: вы пишете расчёты один раз на Python, а читатели получают понятные формулы со всеми шагами — быстро, прозрачно и без ручного набора LaTeX.

🔍 Интерактивный визуальный гид по математике и алгоритмам через концепты геймдева Это отличный ресурс, где сложные идеи показываются через визуализацию и примеры из геймдева. 💡 Особое внимание главам про теорию графов - визуализация узлов, рёбер, путей - алгоритмы поиска: DFS, BFS, A* - минимальные остовные деревья и прочие структурные концепты Если хочешь, могу собрать подборку самых полезных страниц/статей с Red Blob Games про графы, которые стоит сохранить. https://redblobgames.com

🎮 DOOMscrolling: The Game Думскроллинг превратился в игру! Энтузиаст сделал пародию на DOOM, где вместо стрелялки — бесконечная лента новостей. ⚡ Как играть: - листаешь вниз/вверх → так двигается персонаж - на пути — монстры, оружие с апгрейдами, ловушки и даже стена огня, которая подгоняет вперёд - сверху накладываются реальные заголовки из RSS В итоге получается безумный микс: привычный думскроллинг, но теперь он реально «убивает». 👉 Попробовать: https://gisnep.com/doomscroll/?ref=ironicsans.ghost.io

Как выучить вышмат за 1 вечер? 😨 Никак. Ведь в первую очередь важно научиться понимать математику. Это позволит не только быстро восстанавливать известные факты, но и адаптировать их под свои задачи и цели! И поможет вам в этом единственный канал в телеграме о высшей математике. Его автор - выпускник СПБГУ, а ныне — аспирант РАН, преподаватель теории вероятностей и математического анализа. На простом языке разбирает сложные вещи, даёт шпаргалки и проводит регулярные консультации по высшей математике 📈 Находка для студентов и тех, кому нужен вышмат по работе. От полезных материалов и книг до ответов на вопросы и уроков по подготовке к олимпиадам, собеседованиям, вступительным испытаниям. Посмотрите сами 👉 @lav_math

🌟 Lumina-DiMOO Lumina-DiMOO — это передовая модель, использующая дискретную диффузию для обработки мультимодальных задач, таких как генерация изображений и их редактирование. Она демонстрирует высокую эффективность и превосходит существующие решения по множеству показателей. 🚀Основные моменты: - Унифицированная архитектура для различных модальностей. - Поддержка текстово-изображенческой генерации и понимания. - Увеличенная скорость выборки с помощью кэширования. - Достижение состояния искусства в нескольких бенчмарках. 📌 GitHub: https://github.com/Alpha-VLLM/Lumina-DiMOO #python

Почему нужно подать заявку на Студкемп по математике в ИИ от Яндекс Образования в СПбГУ по этой ссылке? 🤔 Потому что это: 1️⃣ Возможность пообщаться с экспертами из ШАД, СПбГУ и Яндекс Образования 2️⃣ Перспектива подключиться к научным исследованиям по математике и ИИ 3️⃣ Потенциал получить глубокий математический взгляд на ML 4️⃣ Обработка теоретических и практических профессиональных знаний 5️⃣ Можно продолжать до бесконечности… И это точно нельзя упускать! Ведь даже проезд и проживание оплатит Яндекс Образование 💙 Приём заявок открыт до 21 сентября — не теряем время.

⚡ Speculative Cascades — как ускорить работу LLM Google Research придумали новый способ сделать большие языковые модели быстрее и дешевле. Что это такое: 🔹 Каскады Сначала отвечает маленькая модель. Если задача слишком сложная - подключается большая. Так экономятся ресурсы, но качество может прыгать. 🔹 Спекулятивная декодировка Маленькая модель угадывает сразу несколько слов вперёд. Большая быстро проверяет данные и подтверждает. Скорость выше, но большая модель всё равно тратит много ресурсов. 🟢 Speculative Cascades Это комбинация: маленькая модель иногда отвечает полностью сама, а иногда используется как ускоритель для большой. В итоге получаем меньше затрат, больше скорости и то же качество. 🔥Что показали тесты (тестили на Gemma, T5): - быстрее, чем обычная спекулятивная декодировка - дешевле и качественнее, чем каскады - удобнее настраивать баланс «скорость ↔ качество» При том же уровне качества, что и у спекулятивной декодировки, новый метод работает быстрее (генерирует больше токенов за один вызов большой модели). А в задачах математических рассуждений получен явный апгрейд по скорости при сохранении или даже улучшении качества. LLM всё чаще используются в поиске, чатах, ассистентах. Чтобы они реально были полезными, их нужно ускорять и удешевлять. *Speculative cascades* помогают это сделать без потери качества. 🔗 Подробнее: https://research.google/blog/speculative-cascades-a-hybrid-approach-for-smarter-faster-llm-inference/ @ai_machinelearning_big_data #AI #LLM #Inference #SpeculativeDecoding #Cascades #GoogleResearch

🔥Авито открыл набор на стажировку для тех, кто хочет прокачаться в ML и работать в одной из самых технологичных DS-команд!

Развивайте уникальные продукты и получите шанс продолжить свой путь в Авито по результатам программы — подробнее в карточках.

Отправляйте заявку до 15 сентября: https://u.to/FpdXIg

💡 Новая физика: “тёмный свет” Учёные предложили квантовую теорию, которая утверждает: даже в темноте есть свет. 📌 Раньше считалось, что «тёмные зоны» возникают, когда световые волны гасят друг друга и там пусто. 🔬 Теперь же физики говорят: фотоны остаются, но переходят в «тёмное квантовое состояние» — они существуют, но их невозможно увидеть. ✨ Как это работает: - Свет — это смесь «ярких» и «тёмных» состояний. - В ярком состоянии фотоны взаимодействуют с детекторами и становятся видимыми. - В тёмном — остаются скрытыми, хотя никуда не исчезают. - Сам акт наблюдения переводит фотон из тёмного в яркое состояние — и именно тогда возникает видимый результат. ⚡️ Это переосмысление может объяснить старые парадоксы квантовой механики и открыть путь к технологиям, которые будут уметь обнаруживать и управлять скрытыми состояниями света. 📌 Источник: https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.134.133603

🔢 Качество математических данных — ключ к развитию reasoning-моделей. Но тут есть проблема: лучшие данные скрыты в старых научных статьях, а OCR математики — это настоящий кошмар: куча исключений, форматы, языки. 👉 Даже GPT-5 при распознавании путает F с τ (маленькая правка в символе, но огромная смысловая разница) и ломает форматирование. Исследования (*deepseek-math, NVIDIA Nemotron*) подтверждают: предобучение на математике критично для улучшения рассуждений LLM. Работа HuggingFace над *smollm* показала, что фильтрация токенов с 34B → 10B только по качеству повысила результативность. ⚠️ Для хорошего математического корпуса OCR должен быть почти 100% точным, справляться с разными языками и макетами страниц. 💡 Обычно используют MathPix — он неплох, но дорогой, медленный и закрытый. Хорошие новости: за последние месяцы open-source модели обошли MathPix. Marker уже показывает SoTA на бенчмарке *olmocr* по математике. Внутренние тесты в tier-1 AI-лаборатории: лучше MathPix. Минимальные ошибки даже на китайских статьях, где GPT-5 «сдавался». 📌 Репозитории: - Marker → https://github.com/datalab-to/marker - Surya → https://github.com/datalab-to/surya Персонализация и on-prem кастомизация тоже доступны — разработчики открыты к диалогу. ⚡ Открытые решения для математического OCR двигаются быстрее, чем кажется.

🔥 Успех в IT = скорость + знания + окружение Здесь ты найдёшь всё это — коротко, по делу и без воды. Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты! AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Собеседования DS: t.me/machinelearning_interview C++ t.me/cpluspluc Docker: t.me/DevopsDocker Хакинг: t.me/linuxkalii Devops: t.me/DevOPSitsec Data Science: t.me/data_analysis_ml Javascript: t.me/javascriptv C#: t.me/csharp_1001_notes Java: t.me/java_library Базы данных: t.me/sqlhub Python собеседования: t.me/python_job_interview Мобильная разработка: t.me/mobdevelop Golang: t.me/Golang_google React: t.me/react_tg Rust: t.me/rust_code ИИ: t.me/vistehno PHP: t.me/phpshka Android: t.me/android_its Frontend: t.me/front Big Data: t.me/bigdatai МАТЕМАТИКА: t.me/data_math Kubernets: t.me/kubernetc Разработка игр: https://t.me/gamedev Haskell: t.me/haskell_tg Физика: t.me/fizmat 💼 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 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 🎓954ГБ ОПЕНСОРС КУРСОВ: @courses 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Подпишись, если хочешь быть в числе тех, кого зовут в топовые проекты!