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 50 593 subscribers, ranking 2 563 in the Technologies & Applications category and 12 197 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 50 593 subscribers.
According to the latest data from 03 September, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 197 over the last 30 days and by 8 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 13.32%. Within the first 24 hours after publication, content typically collects 7.83% reactions from the total number of subscribers.
- Post reach: On average, each post receives 6 742 views. Within the first day, a publication typically gains 3 963 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 32.
- 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 04 September, 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.
50 593
Subscribers
+824 hours
+757 days
+19730 days
Posts Archive
Repost from Python/ django
⚡️ QueryTuner - open-source инструмент, который разбирает SQL-запрос и показывает, почему он может тормозить.
Подключаться к базе вообще не обязательно. Можно просто вставить SQL и получить диагностику.
Поддерживаются сразу 5 диалектов:
- PostgreSQL
- MySQL
- Oracle
- SQL Server
- SQLite
Внутри два уровня анализа.
1. Детерминированный heuristic engine
Он мгновенно ищет типичные anti-patterns:
-
SELECT *
- функции внутри WHERE
- leading wildcard в LIKE
- потенциально отсутствующие индексы
- ORDER BY без ограничения результата
- другие проблемы производительности
Сейчас заявлено 12 правил, и для них не нужны ни LLM, ни внешний API.
2. Опциональный AI-слой
Можно подключить Qwen через Hugging Face или OpenAI. Тогда QueryTuner умеет:
- объяснять проблему человеческим языком;
- переписывать запрос;
- предлагать CREATE INDEX;
- объяснять, зачем конкретный индекс нужен.
Особенно интересно, что можно передать ещё и CREATE TABLE DDL. Тогда рекомендации становятся schema-aware: инструмент видит реальные таблицы, колонки и существующие индексы.
Например, для такого запроса:
SELECT *
FROM orders
WHERE YEAR(created_at) = 2026;
Профессор Gurufy
🎓 Gurufy — ИИ-сервис, который собирает полноценный курс по любой теме под вас.
📚 ChatGPT хорош для простых вопросов. Но там, где нужен настоящий курс, работает Gurufy: он учитывает ваш уровень и цель.
⚡ План, статьи с иллюстрациями и интерактивными виджетами, задания — и ИИ-ассистент, которому можно задать вопрос, если что-то не даётся.
✨ Не платите десятки тысяч за курс «для всех» и не собирайте тему по крупицам из статей: персональный курс выходит в 500–1000 ₽, а старт — бесплатный.
Узнать больше
#реклама 16+
gurufy.ru
О рекламодателе
Роботы Unitree G1 исполняют синхронную хореографию в традиционных китайских костюмах, включая полноценные головы львов.
+1⚡️ Muse Glimmer - open source подгон от Цукерберга.
Это 30B-модель с открытыми весами, заточенная под постоянную работу агентных систем прямо на локальном железе.
Что внутри:
- 30 млрд параметров;
- открытые веса уже доступны;
- лицензия Apache 2.0;
- модель рассчитана на локальный запуск;
- заявлена работа на системах с 24 ГБ VRAM;
- основной фокус - agent workflows и задачи, где модель должна работать постоянно, а не отвечать на отдельные запросы.
На agentic-бенчмарках она выглядит сильнее, чем можно ожидать от локальной 30B: MCP Atlas — 75,5, DeepSearch QA — 74,6, SWE-Bench
Отдельно готовится Muse Spark 1.2 - её веса обещают открыть позже.
https://huggingface.co/meta-models
#AI #LLM #OpenSource #AIAgents #LocalAI
Первый пошёл — Google, похоже, тихо похоронила Gemini 3.5 Pro 😢
По данным SemiAnalysis, внутри Google модель не смогла показать нужный скачок: её уровень оказался примерно рядом со старым Opus 4.5, пока GPT-5.6, Fable 5 и китайские модели уже ушли дальше.
Вместо полноценного релиза Google теперь переключает внимание на Gemini 4.
Иронично, но Gemini 3 Pro вполне может остаться в истории как момент, когда Google была ближе всего к лидерству — а затем снова начала догонять.
https://newsletter.semianalysis.com/p/gemini-is-cooked-but-gcp-is-cooking
Как младшим специалистам быстрее вырасти в карьере?
Многие после колледжа или первого высшего сталкиваются с тем, что для перехода на следующий уровень не хватает системных знаний и управленческих навыков. Один из путей — получить высшее образование, заточенное именно на карьерный рост.
Университет IThub предлагает ускоренные программы для выпускников колледжей и вузов — диплом гос. образца за 2,5 года.
Направления: от интеллектуального анализа данных и ИТ-инноваций до технологического предпринимательства и дизайна.
Что здесь работает на карьеру:
🔥Преподаватели — практики из индустрии, руководители ИТ- и креативных компаний;
🔥Учебный процесс построен вокруг реальных бизнес-кейсов и стажировок;
🔥Особая ставка на управленческие компетенции: управление проектами, командой, принятие решений.
Пройдите короткий тест и узнайте, подходит ли вам ускоренный формат обучения.
Реклама. АНО ПО "ИТ ХАБ". ИНН 9709063913. erid: 2W5zFG1fVN1
⚡️ Sakana AI показала, как может выглядеть следующий этап мультиагентных систем - оркестрация, независимая от одной базовой модели.
Sakana Fugu работает как единая «виртуальная модель», хотя внутри скрывается целый пул разных LLM.
Пользователь отправляет запрос в один endpoint, а дальше Fugu сама решает:
- какую модель использовать;
- стоит ли разбить задачу на несколько частей;
- какие подзадачи отдать разным моделям;
- как собрать ответы обратно;
- где можно снизить стоимость без потери качества.
Архитектура состоит из двух уровней:
Conductor Model → Model Pool
Model Pool выполняет реальные задачи, а Conductor Model выступает в роли дирижёра и решает, кому и что делегировать.
Пул моделей изначально сделан заменяемым.
То есть система не должна быть навечно привязана к конкретным GPT, Claude, Gemini или другим LLM. Можно обновлять набор моделей, сохраняя общий orchestration layer.
В новой версии Sakana пошла ещё дальше: дирижёрскую модель обучили на базе новой открытой Gemma 4.
По внутренним оценкам компании, новый conductor показывает производительность не хуже предыдущей версии, одновременно снижая стоимость работы системы.
Идея здесь важнее конкретной модели:
ценность постепенно смещается от «какая LLM самая сильная?» к «кто лучше всего умеет комбинировать несколько моделей под конкретную задачу».
Следующий шаг Sakana - собственные conductor-модели и инфраструктура, которую можно адаптировать под требования AI sovereignty.
Если такой подход масштабируется, в будущем разработчику может быть вообще неважно, какая модель находится под капотом.
Он будет обращаться к одному API, а orchestration layer сам решит, какая комбинация моделей даст лучший результат по цене, скорости и качеству.
🔗 https://sakana.ai/fugu-gemma4/
#AI #LLM #Agents #MultiAgent #SakanaAI #Gemma
🎓 Если вы планируете поступать в ШАД в 2027 году, сейчас можно присоединиться к текущему потоку ShadHelper.
Мы больше 6 лет готовим к ШАД и ML-магистратурам. Среди преподавателей - специалисты из Сбера, МГУ и МФТИ; 120+ выпускников уже поступили в ШАД и ML-магистратуры.
Курс рассчитан на системную подготовку за год: математика, теория вероятностей, дискретная математика и алгоритмы, регулярная практика, домашние задания с обратной связью, поддержка в чате и пробные экзамены.
Поток уже идёт, и сейчас начинается основная часть программы - ключевые темы вступительных экзаменов. Присоединиться к текущей группе можно до 24 августа.
Если пока не готовы принимать решение сразу, оставьте заявку: откроем материалы первой недели курса и договоримся о 15-минутной консультации с академическим куратором. Вы посмотрите, как устроена программа, и сможете задать вопросы по подготовке и входу в текущий поток.
👉 Посмотреть программу и условия
⚡️ Перед IPO Anthropic инвесторы хотят, чтобы Дарио Амодеи говорил об угрозах ИИ мягче. Но он, похоже, не собирается.
По данным The Information, часть акционеров Anthropic считает, что постоянные предупреждения Амодеи об экзистенциальных рисках AI могут плохо сочетаться с подготовкой компании к публичному рынку.
Проблема для инвесторов в том, что повлиять на CEO непросто.
Ключевые решения Anthropic по-прежнему сосредоточены внутри узкого круга сооснователей и близких к Амодеи людей.
В этом году один из членов совета директоров якобы предлагал использовать более привычную PR-стратегию Microsoft и Meta - больше рассказывать о позитивных сценариях вроде AI для разработки лекарств.
Амодеи идею отверг.
Его позиция: если технология потенциально создаёт риски для выживания человечества, относиться к её продвижению как к обычному технологическому маркетингу нельзя.
И здесь возникает очень интересный конфликт:
инвесторам перед IPO нужен оптимизм и понятная история роста, а CEO продолжает публично говорить, что технология его собственной компании может быть опасной.
#AI #Anthropic #Claude #IPO #ArtificialIntelligence
🔥 Qwen-CUA показывает: сильному компьютерному агенту достаточно экрана, мыши и клавиатуры
Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.
Без:
- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.
Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.
Для обучения использовали:
- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.
Главная проблема таких агентов — длинные задачи.
Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.
Qwen-CUA решает это через визуальную память:
- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.
Результаты:
- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.
Самый интересный вывод:
Скриншот может стать универсальным API для AI-агентов.
Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.
📄 Paper:
https://arxiv.org/abs/2608.02352
Qwen-CUA: Native Computer Use for (almost) Everything
🔥 После того как стоимость токенов GPT-5.6 Luna снизилась примерно в 10 раз, их потребление выросло более чем в 10 раз.
Это классический парадокс Джевонса: повышение эффективности не обязательно сокращает расход ресурса. Иногда происходит обратное - ресурс становится дешевле, появляется больше сценариев использования, и общий спрос взрывается.
С AI это может быть особенно заметно:
- модели дешевеют;
- контекст растёт;
- агенты делают десятки и сотни вызовов вместо одного;
- компании начинают автоматизировать задачи, для которых раньше LLM были слишком дорогими;
- AI постепенно становится фоновым слоем практически любого ПО.
И при этом настоящий спрос ещё может быть впереди.
По данным Microsoft Research, в Q1 2026 генеративным ИИ пользовались лишь около 17,8% трудоспособного населения мира.
То есть более 80% потенциальных пользователей ещё практически не вошли в эту экономику.
Если стоимость inference продолжит падать, вопрос будет уже не в том, сколько токенов удастся сэкономить.
#AI #LLM #ArtificialIntelligence #OpenAI #Tech
🤖 Почему корпоративный ИИ не приносит ожидаемого результата?
Во многих компаниях уже тестируют AI, но вместо пользы получают неточные ответы и «галлюцинации». В большинстве случаев проблема не в модели, а в качестве и доступности данных.
На бесплатном вебинаре эксперты Conteq и Денвик Аналитика покажут, как подготовить данные для корпоративного ИИ и построить архитектуру, которая действительно работает.
Вы узнаете:
• почему данные важнее выбора модели;
• как автоматизировать получение данных из 1С;
• зачем нужен DWH и единый слой корпоративных знаний;
• с чего начать внедрение AI без лишних затрат.
🎁 Всем участникам — полезные материалы, запись вебинара и возможность задать вопросы экспертам.
📅 12 августа, 11:00 (МСК)
💻 Онлайн, участие бесплатное.
👉 Регистрируйтесь на вебинар и начните подготовку данных для ИИ уже сегодня.
Реклама. ООО "ДЕНВИК АНАЛИТИКА". erid: 2Vtzqwno39C
⚡️ Google предлагает переписать теорию игр для эпохи ИИ-агентов
Новая работа исследователей Google показывает неожиданную вещь: рациональные ИИ-агенты могут выбирать сотрудничество даже там, где классическая теория игр предсказывает предательство.
Классический пример - одноразовая «дилемма заключённого». Если два независимых игрока больше никогда не встретятся и не могут договориться, рациональная стратегия обычно ведёт к отказу от сотрудничества.
Но с ИИ всё может работать иначе.
Авторы предлагают рассматривать модель не как полностью независимого игрока, а как часть мира, который она сама пытается предсказать. Если агент видит достаточно признаков того, что другой агент рассуждает похожим образом, его собственное решение становится дополнительной подсказкой:
Если я, рассуждая так, выбираю сотрудничество,
то похожий на меня агент, вероятно, выберет то же самое.
DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены.
Сейчас DeepSeek V4 Flash 0731 стоит всего:
Вход: $0,14 за 1 млн токенов
Выход: $0,28 за 1 млн токенов
сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены
GPT-5.6 решил кубик за 17 секунд, а DeepSeek потратил 27 млн токенов за $0,56
Четырём топовым моделям дали необычный агентный тест: самостоятельно построить в
Three.js интерактивные стенды для кубика Рубика и шахмат, а затем выполнить задания прямо внутри созданных приложений.
В эксперименте участвовали:
- GPT-5.6 Sol;
- DeepSeek V4 Flash 0731;
- Qwen 3.8 Max;
- Kimi K3.
Сначала модели получили одинаковую комбинацию кубика Рубика.
GPT-5.6 Sol решил её за 24 хода и 17 секунд.
DeepSeek справился за 32 хода.
Qwen сдался после 96 ходов, а Kimi - после 207.
Затем каждая модель построила шахматную доску и сыграла белыми против Claude Opus 5 без движка, дебютной базы и подсказок.
Победить Claude не смог никто:
- DeepSeek сдался на 13-м ходу;
- GPT-5.6 Sol - на 19-м;
- Kimi K3 - на 21-м;
- Qwen продержался до 29-го.
По скорости разработки GPT-5.6 разгромил остальных:
GPT-5.6 Sol 16 мин 43 сек
DeepSeek 97 мин 39 сек
Kimi K3 166 мин 09 сек
Qwen 3.8 Max 215 мин 08 сек
DeepSeek $0,557
GPT-5.6 Sol $6,319
Qwen 3.8 Max $10,270
Kimi K3 $16,667
⚡️ Google поняла, что голосовой поиск удвоит её дата-центры - и создала TPU
В начале 2010-х нейросети уже заметно улучшали распознавание речи и изображений. Но запускать их в масштабе Google на обычных процессорах было слишком дорого.
Джефф Дин сделал простую прикидку: если сотни миллионов людей будут разговаривать с Google хотя бы по три минуты в день, для обработки запросов компании может понадобиться примерно вдвое больше дата-центров.
И это только ради одной функции.
Стало ясно: нейросетям нужен не ещё один универсальный процессор, а специализированное железо.
Большая часть их вычислений сводилась к повторению сравнительно простых операций с матрицами. При этом модели нормально работали с пониженной точностью. Значит, можно было убрать лишнюю универсальность CPU и построить чип специально под машинное обучение.
Так появилась первая TPU — специализированная ASIC-плата для инференса нейросетей.
CPU: выполняет почти любые задачи
TPU: максимально быстро считает операции нейросетей
Илья Суцкевер может показать первую модель SSI уже в августе
Инвестор Гэвин Бейкер заявил, что Safe Superintelligence планирует выпустить свою первую модель в августе. Сама SSI дату пока официально не подтверждала.
Интрига в формулировке компании. На её сайте прямо сказано:
> Одна цель и один продукт — безопасный суперинтеллект.
SSI с момента основания не выпускала промежуточных продуктов и утверждала, что вся команда, бизнес-модель и инвестиции направлены на достижение одной цели.
Поэтому первый релиз Суцкевера вызовет намного больше внимания, чем запуск очередной LLM. Он должен показать, над чем одна из самых закрытых ИИ-лабораторий работала последние два года.
Но считать будущую модель уже готовым суперинтеллектом рано. Это может быть исследовательский прототип, промежуточная система или демонстрация нового подхода к обучению.
Пока неизвестны архитектура, размеры, результаты тестов и формат доступа.
Если релиз действительно состоится в августе, это будет первый шанс понять: SSI нашла новый путь к более сильному ИИ или готовит ещё одну frontier-модель.
Источники:
https://ssi.inc/
https://www.youtube.com/watch?v=NGsi2PC4y68&t=1679s
🔥 Cursor открыла исходники Mixture-of-Kittens - MoE-мегакернела, который ускорил обучение моделей на 41% без замены железа
В больших Mixture-of-Experts моделях GPU тратят огромные ресурсы не только на вычисления, но и на пересылку токенов между экспертами на разных чипах.
После оптимизации математики через MXFP8 именно передача данных стала главным узким местом. На некоторых нагрузках она занимала больше половины времени одного шага обучения.
Mixture-of-Kittens объединяет весь цикл в один CUDA-кернел:
- отправку токенов нужным экспертам;
- вычисления;
- сбор результатов;
- синхронизацию между GPU.
Передача токенов происходит параллельно с вычислениями.
Ещё одно важное изменение - модель перешла от
push к pull: каждый чип сам забирает нужные ему токены. Это дало до 29% больше полезной пропускной способности NVLink и сократило задержки ожидания примерно в 5,8 раза.
Результаты Cursor на GB300 NVL72:
- до 2,37x быстрее на MXFP8 forward;
- до 1,78x быстрее на MXFP8 backward;
- на 512 GPU throughput вырос с 760,9 до 1 070,2 токена/с на GPU;
- общий прирост производительности в production составил около 41%.
Ускорение получили не за счёт новых видеокарт, а благодаря более умному расписанию движения данных.
На масштабе сотен GPU хороший кернел может оказаться выгоднее ещё одной стойки оборудования.
Проект опубликован под лицензией Apache 2.0.
https://x.com/cursor_ai/status/2084670806613737919
🛡️ Mistral выпустила Shieldstral - открытую модель для модерации текста и изображений
Большинство guard-моделей работают с заранее заданным списком запретов. Чтобы адаптировать такую систему под другой продукт, аудиторию или правила компании, часто требуется дополнительное обучение.
Shieldstral предлагает другой подход: разработчик описывает политику безопасности обычным языком прямо во время инференса.
Например:
> «Безопасно ли показывать это изображение несовершеннолетнему?»
Модель анализирует текст, изображение или пару «запрос - ответ», после чего возвращает вероятность
yes или no.
Что умеет Shieldstral:
- проверять пользовательские запросы и ответы модели;
- модерировать текст и изображения;
- оценивать, был ли отказ модели обоснованным;
- адаптироваться к новым правилам без переобучения;
- выдавать оценку риска, а не только жёсткий ярлык.
В модели всего 3 млрд параметров, поэтому её можно запустить на одной NVIDIA GPU с 16 ГБ памяти.
По внутренним тестам Mistral, Shieldstral конкурирует с открытыми guard-моделями, которые крупнее её до семи раз. Эти результаты пока требуют независимой проверки.
Модель опубликована с открытыми весами под лицензией Apache 2.0.
Подробнее:
https://mistral.ai/news/shieldstral
Apple обвинила OpenAI в краже секретов и получила крайне неудобный ответ
Apple утверждает, что бывшие инженеры Chang Liu и Tang Tan передали OpenAI конфиденциальные данные о будущих устройствах. Компания потребовала судебный запрет, который должен ограничить использование спорной информации. OpenAI обвинения отрицает.
Теперь OpenAI опубликовала переписку, из которой следует: сотрудники Apple продолжали обращаться к Liu уже после его ухода.
Его просили:
- найти внутренние файлы;
- объяснить причины продуктовых решений;
- помочь с техническими вопросами;
- подсказать нужных сотрудников внутри компании.
В одном из сообщений сотрудник Apple написал:
> Конечно, я мог бы спросить нескольких людей, но ты лучший. Даже если ты здесь больше не работаешь.
Ещё страннее выглядит переписка юристов. Внешний адвокат Apple поблагодарил генерального юрисконсульта OpenAI за телефонный разговор, которого в действительности не было. Позже он признал ошибку и сообщил, что письмо предназначалось другому человеку.
Получается неудобная картина: Apple обвиняет бывшего инженера в работе с конфиденциальными данными, но её собственные сотрудники продолжали использовать его как удалённого эксперта уже после увольнения.
OpenAI считает это провалом offboarding-процесса Apple - доступы и рабочие связи с бывшим сотрудником должны были быть закрыты сразу.
Опубликованная переписка не опровергает все обвинения Apple и показывает позицию только одной стороны.
Но теперь компании придётся объяснять суду, почему её сотрудники продолжали запрашивать внутреннюю помощь у человека, которого она обвиняет в краже секретов.
Источник:
https://openai.com/index/apple-is-getting-this-wrong/
