Анализ данных (Data analysis)
Open in Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Show more
Network:📈 Analytical overview of Telegram channel Анализ данных (Data analysis)
Channel Анализ данных (Data analysis) (@data_analysis_ml) in the Russian language segment is an active participant. Currently, the community unites 50 181 subscribers, ranking 2 651 in the Technologies & Applications category and 12 442 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 50 181 subscribers.
According to the latest data from 13 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 38 over the last 30 days and by -3 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 11.17%. Within the first 24 hours after publication, content typically collects 6.45% reactions from the total number of subscribers.
- Post reach: On average, each post receives 5 608 views. Within the first day, a publication typically gains 3 238 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 22.
- Thematic interests: Content is focused on key topics such as llm, контекст, openai, архитектура, deepseek.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Thanks to the high frequency of updates (latest data received on 14 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
50 181
Subscribers
-324 hours
-677 days
+3830 days
Posts Archive
DeepSeek собрали гайд по подключению своих моделей к coding tools
Полезная находка для тех, кто хочет использовать DeepSeek не в отдельном чате, а прямо внутри привычных инструментов.
В репозитории есть инструкции для:
* Claude Code
* Cline
* Codex
* GitHub Copilot
* Cherry Studio
* Crush
* OpenCode
* Qwen Code
* DeepSeek-TUI
* других agent/coding-assistant инструментов
Каждый гайд проходит базовый путь: установка, конфиг, первый запуск.
Идея простая: можно быстро подключить DeepSeek-V4-Pro или V4-Flash к своему рабочему процессу и проверить, насколько хорошо они тянут агентное кодинг-окружение.
github.com/deepseek-ai/awesome-deepseek-agent
⚡️ Демис Хассабис обычно не из тех, кто разгоняет хайп вокруг AGI.
Он годами был скорее умеренным голосом в индустрии: осторожные прогнозы, меньше громких обещаний, больше науки и проверки результатов. Поэтому его новый текст звучит особенно сильно.
Хассабис пишет, что AGI нельзя сравнивать с интернетом или смартфонами. По масштабу это ближе к электричеству или огню. Технология, которая меняет не отдельную индустрию, а саму логику развития цивилизации.
По его оценке, эффект может быть в десять раз больше промышленной революции и пройти в десять раз быстрее.
Да, AGI может резко ускорить медицину, физику, биологию, материалы, энергетику. Но Хассабис прямо говорит и о другой стороне: киберриски уже реальны, дальше могут появиться угрозы в био- и других чувствительных областях, а отдельная проблема - агентные системы, которые становятся всё автономнее.
Гонка за возможностями идёт быстрее, чем наше понимание того, как это безопасно контролировать.
Когда человек уровня Хассабиса говорит, что нужна серьёзная регуляторная инфраструктура уже в ближайшие годы, это звучит совсем иначе, чем очередной пост про сингулярность.
https://x.com/Machinelearrn/status/2076985021752082689
🐠 Sakana AI показали интересный переход от красивых симуляций к физическому прототипу распределённого интеллекта.
В работе Smart Cellular Bricks используются простые кубические модули. В каждом модуле работает одна и та же небольшая нейросетевая клеточная модель. У блока нет координат, нет общей карты конструкции и нет центрального управляющего узла. Он обменивается сигналами только с соседними блоками, к которым подключён физически.
За счёт этих локальных обменов вся конструкция постепенно определяет, какую форму она образует, где находится повреждение и каких блоков не хватает для восстановления.
Авторы задаются вопросом - можно ли обученные локальные правила перенести из симуляции в реальное железо. В симуляторе связь идеальная, модули не отваливаются, задержки контролируемые. В физическом прототипе всё в разы сложнее: шум, сбои контактов, ограничения электроники, неполная информация и ошибки передачи.
Одна и та же модель внутри каждого блока позволяет системе получать глобальное поведение без глобального наблюдателя. Отдельный модуль ничего не “понимает” про всю фигуру, но сеть модулей в целом сходится к правильной интерпретации формы.
Такие системы могут быть полезны в модульной робототехнике, самодиагностирующихся конструкциях, адаптивных материалах и инфраструктуре, где централизованный контроль слишком дорогой или ненадёжный.
Работа пока исследовательская, но направление выглядит сильным. ИИ здесь живёт не в одном большом агенте, а распределяется по множеству простых физических элементов, которые вместе начинают вести себя как единая адаптивная система.
Blog: https://sakana.ai/smart-cellular-bricks
Paper: https://nature.com/articles/s41467-026-75166-7
Qwythos-9B-v2 вышел, и это скорее не апгрейд ради бенчмарков, а фикс главной боли
У модели оставили глубокое reasoning-поведение, но почистили самый неприятный баг: зацикливание при greedy decoding упало с 6.7% до 0%.
Также вернули MTP head, поправили identity-behavior и сохранили 1M context через YaRN.
По сути, v2 - это более стабильный Qwythos: не «новая магия», а hygiene release, где модель меньше ломается в реальном использовании.
Из заметного:
-
MMLU CoT - 83.8%
- GSM8K - 93.6%
- ARC-Challenge - 96.4%
- GPQA-diamond - 49.0%
- HumanEval pass@1 - 77.4%
Лицензия - Apache-2.0.
Модель построена вокруг Qwen3.5-9B и рассчитана на long-context reasoning, код, анализ и локальные эксперименты.
https://huggingface.co/empero-ai/Qwythos-9B-v2
Сегодня заканчивается доступ к Fable 5 в подписочном плане, вероятно, на довольно долгий срок.
Anthropic дала понять, что в будущем планирует вернуть Fable в подписку, но конкретную дату не назвала.
Пока хорошей альтернативой выглядит GPT-5.6 Sol, хотя между ними, конечно, есть заметные различия. Но, как я уже несколько раз говорил, лимиты у 5.6 огромные, поэтому сейчас использовать его всё равно получается не так свободно.
В любом случае 5.6 стал крупным релизом и явно дал OpenAI серьёзный рывок относительно Anthropic.
Теперь вопрос в том, как ответит Anthropic. Моя догадка такая:
они очень скоро выпустят Opus 5 как более дешёвую альтернативу Fable 5, надеясь этим успокоить пользователей.
+1
⚡️ Полезный список лучших инструментов, чтобы запускать мощные LLM полностью бесплатно и локально на своём ноутбуке. Сейчас это №1 в трендах GitHub.
1. AnythingLLM
All-in-one workspace для чата с документами и создания агентов
http://github.com/Mintplex-Labs/anything-llm
2. KoboldCpp
Лёгкий инструмент, особенно хорош для creative writing и сценариев с персонажами
http://github.com/LostRuins/koboldcpp
3. llama.cpp
Базовый движок. Очень эффективный и запускается почти на любом железе
http://github.com/ggml-org/llama.cpp
4. Open WebUI
Удобный веб-интерфейс в стиле ChatGPT, отлично работает с Ollama
http://github.com/open-webui/open-webui
5. GPT4All
Простое desktop-приложение со встроенным чатом по документам
http://github.com/nomic-ai/gpt4all
6. LocalAI
OpenAI-compatible API, который работает на разном железе и поддерживает много backend’ов
http://github.com/mudler/LocalAI
7. vLLM
Быстрый inference engine, когда нужны более быстрые ответы и работа в масштабе
http://github.com/vllm-project/vllm
VLM уже умеют искать «интересное». Но пока плохо умеют уходить от того, что уже нашли.
Sakana AI вместе с MIT и NYU проверили, можно ли повторить PicBreeder на агентах с визуально-языковыми моделями.
В оригинальном PicBreeder не было целевой картинки. Люди просто выбирали изображения, которые казались им перспективными, и передавали их дальше. Через много поколений из случайных форм появлялись лица, животные, машины, черепа и другие неожиданные структуры.
Это важная идея из книги Кеннета Стэнли «Иллюзия целей»: сильные открытия часто рождаются не из оптимизации метрики, а из открытого поиска.
В новом эксперименте VLM-агенты работали похожим образом:
- смотрели общий архив изображений
- выбирали то, что считают интересным
- развивали выбранные варианты
- публиковали новые изображения
- оценивали работы других агентов
Им не давали целевую картинку. Не давали функцию прогресса. Не говорили, к чему надо прийти.
VLM-агенты действительно находят визуальные и семантические зацепки. Если добавить агентов с разными «личностями», архив становится заметно шире и по разнообразию приближается к человеческому.
Но главный провал тоже виден: модели слишком быстро фиксируются на найденном мотиве. Вместо резкого смещения в новую область они часто начинают улучшать уже знакомую форму, стиль или смысл.
Человек в PicBreeder может увидеть случайную странность и превратить её в новое направление. VLM чаще видит паттерн и начинает его эксплуатировать.
Похоже, для open-ended discovery мало уметь распознавать novelty. Нужно ещё уметь менять собственный критерий интересного, бросать локально удачную ветку и сохранять слабые сигналы, которые пока не выглядят полезными.
Блог: pub.sakana.ai/picbreeder-vlm
Статья: arxiv.org/abs/2605.23908
Всё, что вы всегда хотели знать о математике* (*Но даже не знали, о чём спрашивать)
Путешествие с гидом по миру абстрактной математики, теорем и написания доказательств в 698 страниц!
https://www.math.cmu.edu/~jmackey/151_128/bws_book.pdf
Если надоело писать в стол, то вот повод проверить свои знания на практике: Ozon Tech завершает регистрацию на онлайн-хакатон «Робозон» - призовой фонд 15 млн ₽.
Отличная возможность для тех, кто работает с компьютерным зрением, робототехникой и системами автоматической сортировки.
Почему это интересно:
«Интеллектуальная роботизированная система сортировки товаров» - это детекция и классификация объектов, трекинг на конвейере, планирование захвата, управление роборуками и интеграция CV+ROS.
Здесь можно применить Python, OpenCV, PyTorch/Detectron2, ROS/ROS2, симуляторы (Isaac Gym, CoppeliaSim), а также системы реального времени для управляющего ПО.
Задача предполагает и софт, и механику - отличный кейс для портфолио и практики с реальными данными.
Коротко о формате и задачах:
Даты: Робозон пройдёт с 2 июля по 12 сентября.
Формат: два этапа. Первый (отборочный) - три задачи по автоматизации сортировочных процессов в онлайне в течение двух месяцев. Второй - финал на конференции E-CODE: защита проектов и награждение; дорога и проживание финалистов оплачиваются Ozon Tech.
Темы задач: имитационное моделирование движения товаров; конструкция автоматизированного сортировщика; интеллектуальная роботизированная система сортировки товаров.
Участие: индивидуально или команда до 7 человек.
Регистрация до 11 июля по ссылке.
⚡️ OpenAI закроет браузер Atlas 9 августа
Это первый случай, когда OpenAI отказывается от самостоятельного продукта ради унификации своей экосистемы.
Теперь возможности Atlas станут частью десктопных версий ChatGPT и Codex. Обновленное приложение ChatGPT уже получило встроенный инструмент для веб-серфинга, а ИИ-агенты научились напрямую взаимодействовать с элементами страниц.
Автоматического переноса пользовательских данных не будет. До закрытия сервиса всю историю, закладки и важные вкладки придется экспортировать вручную.
@ai_machinelearning_big_data
#news #ai #ml
Google показала SensorFM — foundation model для данных с носимых устройств.
Обучение: 1+ трлн минут сигналов от 5 млн пользователей Fitbit и Pixel Watch.
Модель работает с пульсом, сном, SpO₂, HRV, движением, температурой кожи и другими метриками.
Главное: одна базовая модель переносится на 35 задач по здоровью и в 34 из 35 случаев обходит baseline на ручных признаках.
По сути, часы становятся интерфейсом к персональной модели здоровья.
https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/
Лайвстрим OpenAI: **
Заголовок - «Представляем следующую главу ChatGPT»**
https://openai.com/ru-RU/live/
Claude получил функцию **Reflect** — своего рода “Wrapped” для того, как вы используете AI.
В настройках Claude теперь можно посмотреть отчёт за 1, 3, 6 или 12 месяцев:
* о чём вы чаще всего говорили с Claude
* какие задачи делегировали
* когда чаще всего работали
* как именно вы используете AI в жизни и работе
Reflect помогает понять, где Claude реально усиливает мышление, а где вы, возможно, слишком часто отдаёте ему задачи, которые лучше оставить себе.
Внутри также можно настроить quiet hours и напоминания сделать перерыв.
Функция пока в beta, доступна Free, Pro и Max пользователям с включённой Memory.
Инкогнито-чаты и файлы из подключённых инструментов в отчёт не попадают.
https://claude.ai/settings/reflect
🖥 GPT-5.6, судя по всему, тестировали уже два месяца.
Из-за этого слухи о выходе GPT-6 в ближайшие 4–6 недель выглядят заметно правдоподобнее.
Если GPT-5.6 действительно несколько месяцев был в early access и уже завершил обучение, то логичный вывод такой: OpenAI могла использовать это время для разработки новой модели уровня Mythos через новое pre-training поколение.
Именно этой моделью может стать GPT-6.
GPT-5.6 уже давно в использовании, а GPT-6, похоже, приближается.
https://x.com/timneutkens/status/2074887239562113069
🗞️ В статье Google DeepMind “Intelligent AI Delegation” есть хороший разбор того, как правильно отдавать задачи AI.
Речь не о том, чтобы просто написать модели «сделай это» и надеяться на удачу.
Авторы предлагают смотреть на делегирование как на цепочку решений:
стоит ли вообще отдавать задачу AI, как её объяснить, какой уровень полномочий дать и как потом проверить результат.
Сейчас многие системы держатся на жёстких правилах, которые ломаются при неожиданных сбоях. Исследователи предлагают более гибкий подход: динамический рынок, где агенты могут «торговаться» за задачи через smart contracts.
Чтобы это работало безопасно, нужны строгий мониторинг и криптографические доказательства: система должна подтверждать корректность работы, не раскрывая приватные данные.
Вместо простых рейтингов агенты смогут использовать проверяемые цифровые сертификаты, которые показывают их реальные навыки.
Делегирование должно быть живым процессом- полномочия и ответственность могут меняться по ходу работы. Если ситуация изменилась или агент ошибся, система должна не разваливаться, а уметь передать задачу дальше, откатиться или включить запасной сценарий.
Отдельно важна тема доверия.
Фреймворк оценивает сложность задачи и прошлые результаты агента. Это помогает избежать двух ошибок:
* over-delegating - когда AI дают задачу, к которой он ещё не готов
* under-delegating, когда человек делает всё сам, хотя AI мог спокойно справиться
Результат тоже нельзя принимать на веру.
Система должна проверять ответ, учитывать уверенность агента и заранее иметь план, если он ошибётся. Для реальных рабочих процессов это критично: одна слепо принятая ошибка может потянуть за собой цепочку проблем.
Авторы также разбирают сценарий, где один AI-агент передаёт задачу другому. В таком случае система должна отслеживать, кто отвечает за результат, какие полномочия переданы и где находится контроль.
arxiv.org/abs/2602.11865
+1Yandex Cloud даёт 50% скидку на сертификацию для инженеров данных
🔵🟦🔵 даёт 50% скидку на сертификацию для инженеров данных
Если вы работаете с загрузкой, хранением, обработкой данных и ETL/ELT-процессами, можно подтвердить навыки официальной сертификацией Yandex Cloud.
Доступны два экзамена:
1⃣ Yandex Cloud Certified Data Engineer
Для инженеров данных, которые используют платформу Yandex Cloud. Экзамен проверяет работу с загрузкой и приёмом данных, хранением, обработкой, качеством данных, оркестрацией, метаданными, мониторингом, безопасностью и управлением ресурсами.
⏩Ссылка
2⃣ Yandex Cloud Certified Lakehouse Data Engineer
Для специалистов, которые проектируют и разворачивают Lakehouse-решения в Yandex Cloud. В фокусе архитектура Lakehouse, трансформация данных, пайплайны, хранение, обработка, метаданные, мониторинг и безопасность.
⏩Ссылка
До 25 сентября 2026 включительно можно зарегистрироваться на сертификацию со скидкой 50%.
Экзамен проходит онлайн с прокторингом: запись с камеры и автоматическая фиксация возможных нарушений помогают подтвердить, чтобы все было честно.
Хороший способ проверить себя, закрыть пробелы и получить понятное подтверждение навыков работы с data-инфраструктурой в Yandex Cloud ✅
MiniMax готовит открытую модель на 2,7 трлн параметров, релиз может состояться уже в III квартале.
Она станет крупнейшей среди китайских ИИ-моделей и будет более чем в 6 раз больше текущей модели MiniMax M3.
Волна открытых ИИ-моделей из Китая только набирает обороты. Похоже, самое интересное ещё впереди.
https://www.theinformation.com/briefings/exclusive-chinas-minimax-plans-launch-2-7-trillion-parameter-model
Лилиан Венг из Thinking Machines Lab выпустила большой обзор про harness engineering: слой вокруг модели, который отвечает за инструменты, память, оркестрацию, контекст, проверки, циклы обратной связи и выполнение задач.
Менять веса модели дорого, рискованно и медленно. А вот харнесс можно улучшать быстрее: добавлять инструменты, менять workflow, усиливать память, запускать sub-agent’ов, проверять гипотезы и сразу мерить результат.
Отсюда рождается более реалистичный путь к self-improvement: модель не переписывает себя напрямую, а улучшает систему, в которой работает.
Венг разбирает авто-исследование, эволюцию программ и self-improving agents: от The AI Scientist до ShinkaEvolve и Darwin Gödel Machine. Общая логика в том, что агент предлагает изменение, запускает эксперимент, получает оценку и оставляет то, что реально улучшает результат.
Но слабые места тоже есть: плохие evals, схлопывание разнообразия, reward hacking и риск, что агент научится ломать метрику, а не решать задачу.
Ближайший RSI может быть не «модель сама переписала мозг», а «модель научилась улучшать свой рабочий станок».
・The AI Scientist (Nature 2026)： https://nature.com/articles/s41586-026-10265-5
・ShinkaEvolve： https://sakana.ai/shinka-evolve/
Anthropic запустила программу Claude for Open Source.
Теперь разработчики и мейнтейнеры open source-проектов могут получить Claude Max 20x бесплатно на 6 месяцев.
Что дают:
- Claude Max 20x без оплаты на полгода
- доступ к Claude Code и самым мощным моделям Claude
- программа рассчитана на активных мейнтейнеров и ключевых участников open source
Anthropic планирует принять до 10 000 участников. Подать заявку могут разработчики, которые активно поддерживают или развивают значимые open source-проекты. (Claude)
https://claude.com/contact-sales/claude-for-oss
Стоп. Китай теперь делает с США то же самое, что Anthropic, только в обратную сторону?
То есть закрывает американским компаниям доступ к китайским frontier-моделям?
Похоже, уверенность Китая растёт с каждым днём.
Судя по всему, там считают, что больше не нуждаются в дистилляции западных моделей в таких масштабах, чтобы развивать передовой ИИ.
Теперь их больше беспокоит обратное: что США могут украсть уже их интеллект.
https://finance.yahoo.com/technology/ai/articles/exclusive-beijing-looking-curbing-overseas-101644780.html
