Анализ данных (Data analysis)

Чистое механическое месиво. Во время предгоночного теста перед полумарафоном гуманоидных роботов Beijing Yizhuang 2026.

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. 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_1001_notes 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: @courses 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 Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

«NVIDIA решила ARC-AGI-3» или не совсем ? Сейчас по сети расходится громкий результат NVIDIA, но сравнение оказалось запутаннее заголовков. Результат NVIDIA получен на публичном наборе ARC-AGI-3, а не на закрытом/semi-private бенчмарке, который используется для официального leaderboard. Сам ARC Prize прямо предупреждает, что public set проще и не должен использоваться как официальный показатель прогресса. Плюс речь идёт не просто о «модели NVIDIA»: агентная система использует Claude Opus 5 внутри harness. А знаменитые 30,16% Opus 5 - это как раз подтверждённый результат на semi-private evaluation, а не сопоставимый score на public set. Поэтому сравнивать эти цифры напрямую нельзя: разные наборы задач + разные agent harness. https://developer.nvidia.com/blog/nvidia-avo-reaches-100-on-arc-agi-3-demonstrating-a-frontier-level-general-purpose-architecture-for-long-horizon-autonomous-agents/

⚡️ Anthropic спрятала Claude Mythos 5 внутри Claude Security Теперь обычный клиент Claude Enterprise может получить пользу от Mythos 5 через Claude Security - без прямого доступа к самой модели. Схема простая: GitHub-репозиторий → Claude Security → Mythos 5 сканирует код → на выходе уязвимости, severity, confidence и предложенные исправления. То есть Mythos 5 фактически становится специализированным security-движком внутри продукта. Но есть важное ограничение: свободно промптить Mythos из Claude Security нельзя. Это не отдельный чат с моделью, а встроенный инструмент анализа репозитория. Интересный тренд: frontier-модели всё чаще будут продаваться не как «модель», а как скрытый интеллект внутри конкретного enterprise-продукта. https://x.com/claudeai/status/2090852314319880425

OpenAI, похоже, пытается перевести пользователей ChatGPT на более жёстко измеряемое потребление На фоне жалоб, что лимиты у части пользователей начали заканчиваться быстрее, появилась версия: OpenAI постепенно балансирует бесплатное/безлимитное использование ChatGPT с более контролируемым потреблением в Codex и ChatGPT Work. Сам Tibo сообщил, что Codex уже достиг 20 млн активных пользователей, а всем пользователям Codex и ChatGPT Work выдадут дополнительный «banked reset», который можно будет использовать позже. При этом OpenAI отдельно говорит, что расследует сообщения о слишком быстром расходовании лимитов и пока не видит системной аномалии. Если гипотеза верна, логика понятна: уменьшать убытки на тяжёлых подписках, точнее привязывать compute к выручке и использовать более дешёвые модели как fallback после исчерпания лимитов.

Я объясняю работу с ИИ друзьям

🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы. Stepik: «Python современный AI для разработчика и автоматизации задач» 63 урока, 382 шага, практика с кодом и автопроверкой. Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода. Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии. Для тех, кто уже знает Python и хочет перейти к production AI. ⏳ 72 часа скидка 55% https://stepik.org/a/295921

🐳 DeepSeek показала мультимодальную Flash-модель для AI-агентов DeepSeek представила экспериментальную DeepSeek-V4-Flash-Vision-Exp — мультимодальную модель для агентов, которым нужно не только читать текст, но и понимать изображения и интерфейсы. Самое интересное — результаты на visual-agent бенчмарках: по заявленным тестам модель уже приближается к Opus 4.8, а в некоторых сценариях даже обходит её. И всё это у Flash-версии, то есть у более лёгкой и дешёвой модели. Если результаты подтвердятся шире, это хороший сигнал для рынка: сильные visual agents могут стать заметно дешевле и доступнее без необходимости использовать самые тяжёлые frontier-модели. https://x.com/deepseek_ai/status/2090730032574631962

✔️ OpenAI будет ловить злоупотребления, не заглядывая в переписку Private Safety Processing - механизм для API и корпоративных клиентов, работающий по принципу нулевого хранения данных. Он разбирает серии запросов и ищет признаки злонамеренного использования, но сотрудники OpenAI при этом не видят ни промптов, ни ответов модели. Данные либо вообще не покидают периметр клиента, либо лежат на серверах OpenAI зашифрованными ключом самого заказчика. Если система замечает риск, наружу уходит только технический сигнал о типе угрозы, без содержания диалога. Пока Private Safety Processing в закрытом тестировании. Публичный релиз с технической документацией обещают в сентябре. У пользователей ChatGPT на тарифах Free, Plus, Go и Pro настройки приватности не меняются. openai.com ✔️ Ode, сервисное подразделение Anthropic, купило первую компанию Anthropic вместе со своим подразделением Ode покупает ИИ-интегратора Casper Studios. Сумма сделки не раскрывается. Для Ode, запущенного в июле 2026 года, это первое приобретение. Ode делает автоматизацию под заказ на моделях Anthropic. Casper Studios и раньше была авторизованным партнером Anthropic, среди ее клиентов - Netflix, Pepsi и хедж-фонды. Смысл покупки в том, что у самих заказчиков не хватает специалистов по ИИ. Команда Casper как раз умеет доводить внедрение до конца на стороне клиента - собирает внутренние датасеты, стыкует модели с существующей ИТ-инфраструктурой и встраивает Claude в рабочие процессы. theinformation.com ✔️ Generalist AI показала робота, который учится новому по видео Стартап представил модель GEN-1.5 с обучением в контексте. Чтобы освоить новый навык, в контекстное окно подается видео на 3-12 секунд, и оно работает как промпт. На простых задачах (открыть банку или вытащить купюру) модель справляется в 59% случаев. Если все же дообучить - показатель поднимается до 83%. Претрейн занял восемь месяцев на датасетах физических взаимодействий. GEN-1.5 умеет сцеплять два промпта в последовательность, учиться на демонстрациях из симуляции и повторять моторику человеческих рук. generalistai.com ✔️ В Adobe Firefly добавили генерацию музыки, речи и звуковых эффектов Generate Music собирает фоновые треки, Generate Speech озвучивает текст, Generate Sound Effects делает эффекты под конкретную сцену. Adobe заявляет, что все созданное не требует лицензионных отчислений и годится для коммерческого использования. В платформу завезли Gemini Omni Flash от Google - она работает с видео, аудио, изображениями и текстом. Модель пополнила существующий набор, где уже есть Runway, Luma AI и Kling AI. Заодно у Firefly AI Assistant появился дневной лимит бесплатных генераций.  adobe.com ✔️ ElevenLabs открыла доступ к голосовой модели v3 Conversational Модель сделана для разговора в реальном времени - под телефонных ИИ-агентов и голосовых помощников. Режим Expressive Mode смотрит на контекст диалога и добавляет в речь живые реакции (смех, шепот, вздохи), подбирая их под эмоциональный фон разговора. Отдельно переделали то, как модель общается с собеседником - теперь она подключена к потоковой расшифровке Scribe v2 Realtime и умеет отличает законченную мысль от угуканья в знак согласия. Перебивать человека она стала реже. v3 Conversational знает 70 языков и держит акценты. Работает через API и платформу ElevenAgents, базовая цена - 5 центов за 1000 символов. ElevenLabs в X @ai_machinelearning_big_data #news #ai #ml

OpenAI запустила AI Futures - блог о том, как ИИ может изменить власть и общество Новый проект команды Strategic Futures посвящён не только технологиям, но и тому, что произойдёт с правами, свободой и влиянием людей, если AI станет действительно трансформирующим. Один из ключевых тезисов: главный долгосрочный риск может быть не только в самих моделях, а в концентрации власти. Автономные системы способны дать государствам больше силы без зависимости от людей, а автоматизированная бюрократия и богатство, создаваемое дата-центрами, потенциально могут уменьшить роль человеческого труда, налогов и даже общественного согласия. Независимо от отношения к таким прогнозам, одно ясно: AI постепенно становится не просто технологией, а фактором, который может перестроить само устройство общества. https://openai.com/index/introducing-ai-futures/

⚡️ Liquid AI выпустила DSpark draft-модели для LFM2.5-1.2B-Instruct, LFM2.5-2.6B и LFM2.5-8B-A1B. Идея в speculative decoding: маленькая модель примерно на 300M параметров заранее предлагает сразу несколько токенов, а основная модель проверяет весь блок за один проход. На H100 LFM2.5-8B-A1B в MATH500 ускорилась с 428 до 1362 токенов/с — в 3,18 раза. На MacBook Pro с M4 Max LFM2.5-1.2B-Instruct в HumanEval — со 136 до 389 токенов/с, почти в 2,9 раза. Для LFM2.5-2.6B среднее ускорение составило 2,67× на H100 и 2,27× на M4 Max. В BFCL-сценариях с несколькими tool calls DSpark почти вдвое сократил среднюю задержку LFM2.5-2.6B. При greedy decoding результат остаётся идентичным обычной генерации, поэтому ускорение не меняет точность модели. Чекпоинты уже выложены на Hugging Face, поддержка идёт в llama.cpp и SGLang. Read more: http://liquid.ai/blog/lfm2.5-dspark > LiquidAI/LFM2.5-1.2B-Instruct-DSpark: http://huggingface.co/LiquidAI/LFM2.5-1.2B-Instruct-DSpark > LiquidAI/LFM2.5-2.6B-DSpark: http://huggingface.co/LiquidAI/LFM2.5-2.6B-DSpark > LiquidAI/LFM2.5-8B-A1B-DSpark: http://huggingface.co/LiquidAI/LFM2.5-8B-A1B-DSpark > SGLang: https://github.com/sgl-project/sglang/pull/31041 > llama.cpp: https://github.com/ggml-org/llama.cpp/pull/27383

Полный инженерный курс по AI-агентам на русском: от tool calling до production Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента. Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле. https://github.com/justxor/Aiagentsfullcourse

Две работы AI VK Research представили на KDD 2026 На конференции показали работы про рекомендательные системы, но с разных сторон: в первой исследователи используют REINFORCE и multi-step off-policy correction для оптимизации рекомендаций на уровне сессии, а во второй рассматривают MDP на основе матричной факторизации для candidate generation. Отдельно интересно, что обе темы связаны не столько с улучшением очередного этапа модели, сколько с самой постановкой задачи: как учитывать последовательность действий пользователя и эффективнее строить пространство кандидатов. Что ещё обсуждали на KDD, какие тренды сейчас заметны в recsys и как выглядела презентация этих работ, рассказал старший исследователь AI VK Research Артём Матвеев в репортаже с конференции.

⚡️ Bloomberg показал разрыв США и Китая в AI на одном графике. И он быстро исчезает Ещё недавно Anthropic оценивала отставание китайских лабораторий примерно в 6–12 месяцев. Теперь ситуация выглядит совсем иначе. Kimi K3 от Moonshot уже находится рядом с американским фронтиром: Bloomberg писал, что модель уступает по общей мощности лишь нескольким лидерам вроде Claude Fable 5 и GPT-5.6. При этом китайские модели заметно дешевле в эксплуатации. И дело уже не в одном Kimi. В Китае сформировалась целая группа сильных лабораторий: Moonshot, DeepSeek, Alibaba/Qwen, Z.ai/GLM и другие. Financial Times тоже отмечает, что Kimi K3 вместе с GLM и Qwen резко сократили воспринимаемый технологический разрыв с США. Причём на подобных сравнениях ещё не всегда учитывается свежий GLM-5.3, который дополнительно усиливает китайскую сторону. https://www.bloomberg.com/graphics/2026-us-china-ai-race/

1

☁️☁️☁️☁️☁️☁️☁️ 24 сентября Yandex Cloud проведёт ежегодную флагманскую технологическую конференцию Yandex Scale 2026.

🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨 В программе четыре продуктовых трека — AI, Data, Security и Hybrid Infrastructure & DevOps, — и отдельный углублённый технологический трек DeepTech, который пройдёт только онлайн. В треке Data расскажем, как Yandex Cloud развивает аналитику от отдельных сервисов к единой бесшовной среде: от загрузки данных до готовых бизнес-инсайтов, где ИИ помогает на каждом этапе. Разберём, как YDB помогает строить рекомендательные и поисковые системы и ИИ‑ассистентов. «Додо Пицца» представит честную историю миграции десятков терабайт данных в Yandex Cloud, а также расскажет о сравнении с западным облаком и совместном преодолении ограничений. Расскажем, как Yandex Cloud движется к самоуправляемым базам данных на основе опыта эксплуатации тысяч баз в Яндексе. «Азбука вкуса» разберёт миграцию Oracle Exadata на Lakehouse в Yandex Cloud без единого аврала. И покажем, как Yandex Managed Service for Valkey научили растягиваться под нагрузку — и вширь, и вглубь.

🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨 Отдельно пройдут воркшопы по Data: разберём ключевые сценарии использования ИИ‑агента Нейроаналитика в Yandex DataLens. На практике посмотрим, как PGHouse позволяет OLTP‑базе PostgreSQL прозрачно выполнять OLAP‑запросы в ClickHouse без переписывания SQL. И соберём поисковую систему на Serverless YDB с настройкой полнотекстовых и векторных индексов.

🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 🎨🎨🎨🎨🎨🎨🎨🎨🎨🎨 И это ещё не всё: демозоны, питчинг решений, IT-квест и мерч — офлайн, а розыгрыши призов и секретный гость — в онлайн-студии.

Вся программа — на сайте, регистрация занимает пару минут, а участие бесплатное!

⚡️ Mojo 1.0 полностью открыли Modular сделала один из самых важных шагов в истории Mojo: язык, компилятор и инструменты теперь полностью open source под Apache 2.0. Modular Platform теперь умеет работать не только с NVIDIA и AMD GPU, но и с AWS Trainium, Google TPU, Qualcomm Cloud AI 100 и новым Dragonfly. Идея простая: модель пишется один раз, а запускаться может на совершенно разных ускорителях через один стек. Параллельно запустили Modular Cloud с OpenAI-совместимыми endpoint'ами. Среди первых крупных клиентов MiniMax: их M3 уже обслуживается на инфраструктуре Modular с нагрузкой в миллиарды токенов в минуту. Для Mojo готовят нативную поддержку Windows вместе с командой Microsoft. До этого язык нормально жил в macOS и Linux, а на Windows в основном использовался через WSL. Modular пытается построить слой над войной ускорителей: чтобы разработчику было не так важно, стоит под капотом CUDA, TPU, Trainium или Qualcomm. https://www.modular.com/blog/modcon-announcements

⚡️ 6 полезных репозиториев для работы с AI-агентами 1. Agency Agents https://github.com/msitarzewski/agency-agents Набор из 232 специализированных агентов для 16 направлений: разработка, дизайн, маркетинг, управление и другие задачи. 2. Codebase Memory MCP https://github.com/DeusData/codebase-memory-mcp Строит граф знаний по кодовой базе, чтобы агент быстрее находил связи между файлами, функциями и сущностями. Заявлена поддержка 158 языков. 3. OpenMontage https://github.com/calesthio/OpenMontage Инструмент для создания видео с помощью кодингового агента: сценарий, ассеты, монтаж и рендеринг можно собирать через промпты. 4. Agent-Reach https://github.com/Panniantong/Agent-Reach Дает агенту доступ к X, Reddit, YouTube, GitHub и другим источникам для поиска и сбора информации. 5. Orca https://github.com/stablyai/orca Позволяет запускать несколько кодинговых агентов параллельно и управлять их задачами из одного места. 6. OmniRoute https://github.com/diegosouzapw/OmniRoute Единый шлюз для работы с большим количеством AI-провайдеров через один endpoint. Сохраняй 🔖

⚡️ Claude уже примерно в два раза эффективнее обычного подхода к созданию белков, которые должны связываться с заданной мишенью. В эксперименте модель самостоятельно проектировала такие белки и получила около 27% успешных результатов. В этой области обычный показатель для команд исследователей часто находится на уровне 10–15%. Claude работал по одному протоколу, который заранее написал эксперт. После этого модель создала варианты белков для 14 из 15 доступных для проверки целей. Независимые лаборатории протестировали 1320 вариантов. У 354 из них действительно подтвердилось нужное связывание. В разных условиях доля успешных результатов составляла от 22,6% до 35,1%. А лучший вариант, который Claude ставил на первое место, оказывался успешным почти в половине экспериментов. До полностью автономной разработки https://x.com/AnthropicAI/status/2089842387845804246

В ABC Legal сотрудники без опыта разработки за месяц собрали больше 50 AI-агентов Компания развернула Claude Enterprise для 1100 сотрудников, а затем перевела внутренние автоматизации на Claude Managed Agents. К июлю 2026 года в проде работало уже 50+ агентов, а Claude ежедневно использовали около 310 сотрудников из разных отделов. Агентов собирали не только разработчики. В пилоте участвовали 15 сотрудников из финансов, маркетинга и операционных команд. Им дали шаблоны в Git, Claude Code и стандартную структуру агента. Через неделю у всех уже были рабочие версии. Каждый агент хранится как код: prompt, инструменты, расписание, credentials и memory лежат в репозитории. Любое изменение проходит через pull request, поэтому есть история версий, ревью, rollback и аудит. Merge в main автоматически деплоит новую версию. Агенты проверяют судебные заявки, анализируют отклонённые документы, ищут адвокатов, разбирают платежи, проверяют PR и готовят рекомендации для маркетинга. Один из сотрудников без опыта автоматизации собрал рабочего агента примерно за час. В некоторых задачах компания э фиксирует снижение стоимости человеческой работы примерно до 50%. Автономность при этом дают постепенно: сначала агент предлагает решение человеку, а после стабильных результатов начинает действовать сам. https://claude.com/blog/how-abc-legal-turned-every-employee-into-a-builder-with-claude-managed-agents