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 51 889 subscribers, ranking 2 575 in the Technologies & Applications category and 11 842 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 51 889 subscribers.
According to the latest data from 28 October, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 1 223 over the last 30 days and by 33 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 9.13%. Within the first 24 hours after publication, content typically collects 6.86% reactions from the total number of subscribers.
- Post reach: On average, each post receives 4 736 views. Within the first day, a publication typically gains 3 558 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 216.
- 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 29 October, 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.
51 889
Subscribers
+3324 hours
+1737 days
+1 22330 days
Posts Archive
🚨 ДЖЕНСЕН ХУАНГ РАЗНЁС НАЕЗДЫ БЕЛОГО ДОМА НА ANTHROPIC
Журналист:
— Mythos способен взломать банк. Мы точно готовы дать к нему доступ всем?
Дженсен( как всегда в кожаной куртке):
— Абсолютно. Он должен быть доступен каждому.
— Даже обычным пользователям, а не только избранным компаниям и ведомствам?
— Именно так.
По его мнению, бесконечные листы ожидания и ограничения часто превращаются в театр безопасности.
— Но был же jailbreak.
— Да, модель обошла защиту и сделала то, что ей запрещали. Но так работает софт: находишь уязвимость и как можно быстрее её закрываешь. Задача Anthropic - усиливать защиту, а не перекрывать доступ половине мира.
Дженсен считает, что Mythos должен стать открытым. Тем более что open-source-модели уже доступны публично, и полностью остановить распространение технологий невозможно.
Пусть Anthropic продолжает развивать созданную ими технологию и делает её доступной как можно большему числу компаний и пользователей.
Сдерживать Anthropic - не в интересах США.
Claude нашёл новые слабости в криптографических алгоритмах
Anthropic показала, как Claude Mythos Preview помог улучшить атаки сразу на две криптографические схемы.
Первая затронула HAWK — кандидата NIST на постквантовую цифровую подпись. После двух лет экспертной проверки модель за 60 часов нашла способ снизить эффективную стойкость небольшого ключа с 2 в
64 степени до 2 в 38.
.
Вторая работа касается 7-раундовой версии AES-128. Claude предложил новую технику, ускорившую прежние атаки примерно в 200–800 раз. Полный AES-128 использует 10 раундов и остаётся невзломанным.
Большую часть исследований модель выполнила автономно: изучала статьи, строила гипотезы, запускала эксперименты и проверяла результаты. Каждый из двух проектов обошёлся примерно в $100 000 API-затрат.
Практической угрозы для действующих систем сейчас нет. Но важен сам прецедент: LLM уже способны находить математические слабости, которые годами не замечали специалисты.
https://www.anthropic.com/research/discovering-cryptographic-weaknesses
Владельцы RTX 3090, когда решили локально запустить трёхтриллионную Kimi K3 в максимально жестокой квантизации:
🚀 Claude Opus 5 за 24 часа собрал собственный космический симулятор
Разработчик запустил модель на одну непрерывную сессию и получил The Long Silence - полноценную браузерную игру об исследовании космоса. По словам автора, весь код, визуал и звук создал Claude.
Внутри:
• процедурные звёзды, планеты, кольца и туманности
• посадка на поверхность планет
• перелёты между системами и fold drive
• сканирование объектов, станции и заброшенные корабли
• карта галактики, сюжет и архив найденных данных
• динамическое масштабирование графики для стабильных 60 FPS
Игра работает на WebGL2 без готовых ассетов: миры генерируются из seed, графика написана на GLSL, а музыка и звук создаются процедурно.
Это ещё не Starfield по масштабу, но для проекта, собранного моделью за сутки, результат выглядит безумно.
🎮 Код и запуск: https://github.com/achimala/TheLongSilence
🌐 Запустить в браузере: https://longsilence.anshu.dev/
+1🔥 Илья Суцкевер готов масштабировать SSI в 10 раз - NVIDIA вложит около $5 млрд
Safe Superintelligence и NVIDIA объявили о долгосрочном партнёрстве. SSI получит доступ к новейшим системам Vera Rubin, что должно увеличить её вычислительные мощности на порядок. NVIDIA также инвестирует в компанию: официально сумму не раскрывают, но Financial Times и Reuters называют около $5 млрд.
До этого SSI в основном опиралась на Google Cloud TPU - теперь у лаборатории Суцкевера появляется ещё один масштабный compute-путь через NVIDIA.
Сам Суцкевер говорит, что после двух лет закрытой работы у SSI появилась «research worthy of scaling up» - исследовательская идея, которую уже имеет смысл масштабировать. При этом компания до сих пор не выпустила ни продукта, ни публичной исследовательской работы.
Последняя публично известная оценка SSI - $32 млрд, установленная в раунде апреля 2025 года.
Компания без продукта и публичных моделей стоит десятки миллиардов, получает ещё миллиарды и готовит 10-кратное увеличение compute - практически полностью на доверии к тому, что Суцкевер действительно нашёл новый путь масштабирования ИИ.
https://www.wsj.com/tech/ai/nvidia-bets-on-ilya-sutskevers-new-ai-lab-to-expand-compute-reach-f95596e8
🚨 В США хотят проверять самые мощные ИИ-модели ещё ДО их публичного релиза
Вашингтон готовит механизм, при котором разработчики frontier-моделей смогут предоставлять новые модели федеральным ведомствам за несколько недель до запуска.
В одной из обсуждаемых версий - до 30 дней. За это время спецслужбы и профильные ведомства смогут проверять модели прежде всего на опасные кибервозможности и риски для национальной безопасности.
OpenAI, Anthropic и Google уже участвуют в переговорах о том, как именно будет работать такая система. Правительство параллельно пытается определить, какая модель вообще считается frontier и должны ли правила отличаться для closed и open-weight моделей.
Причём это уже не чистая теория: власти США ранее вмешивались в сроки и формат релизов новых моделей OpenAI и Anthropic, требуя дополнительного тестирования перед широким доступом.
По сути, между frontier-лабораторией и публичным релизом постепенно появляется новый слой - предварительная государственная проверка.
https://www.theinformation.com/articles/trump-administration-nears-ai-framework-open-source-questions-loom
💬 Борис Черни, руководитель Claude Code в Anthropic, о стоимости токенов и выборе моделей:
«Я использую Fable практически для всего.
Возможно, расходы на токены можно сократить примерно на 50%. Но при этом потенциал роста отдачи может быть в 10, 100 или даже 1000 раз выше.
Поэтому я бы не зацикливался на экономии и просто использовал самую сильную модель из доступных.
Лучше задавать себе другой вопрос: как получить от модели больше пользы?
Оптимизация затрат важна, но сначала стоит максимизировать результат, который даёт ИИ».
Полное интервью - https://www.youtube.com/watch?v=Z47vatpsGPI
Эндрю Уайлс 7 лет тайно решал задачу, которую не могли решить 358 лет
Последнюю теорему Ферма он увидел ещё в 10 лет. В 1986 году, уже будучи профессором Принстона, Уайлс начал работать над ней почти в полной изоляции. О его настоящей цели знала только жена.
Чтобы никто не понял, чем он занят, он почти перестал публиковаться и постепенно выпускал старые результаты.
В июне 1993 года Уайлс представил доказательство на трёх лекциях в Кембридже. Мир решил, что одна из самых известных задач математики наконец закрыта.
Но затем рецензент нашёл серьёзную ошибку.
Следующие 14 месяцев Уайлс пытался спасти доказательство уже под вниманием всего математического сообщества. В какой-то момент он был готов сдаться.
Решение пришло в сентябре 1994 года. Позже Уайлс рассказывал, что около 20 минут просто смотрел на исправление, не веря, что оно работает.
Когда BBC попросила его вспомнить этот момент, он не смог договорить и отвернулся от камеры в слезах.
Семь лет в тайне, год после почти полного краха и задача, которая ждала решения больше трёх веков.
🔥 PyTorch Foundation постепенно превращается в основу open-source AI-стека
Теперь под её управлением сразу шесть крупных проектов:
• PyTorch — обучение моделей
• vLLM — быстрый inference
• DeepSpeed — распределённое обучение и оптимизация
• Ray — масштабирование AI-нагрузок
• Helion — высокопроизводительные GPU/TPU-ядра
• Safetensors — быстрая и безопасная сериализация моделей
Идея интересная: собрать ключевые части жизненного цикла AI под нейтральным open-source управлением вместо десятков разрозненных проектов.
Уже есть заметные результаты: PyTorch 2.13, новый Model Runner V2 в vLLM, улучшения Ray для GB200/GB300, а Helion показывает сильную производительность на Blackwell и TPU.
Если интеграция между этими проектами продолжит усиливаться, PyTorch Foundation может стать для AI-инфраструктуры примерно тем, чем CNCF стала для cloud-native.
🔗 https://futurumgroup.com/insights/can-pytorch-foundations-multi-project-strategy-reinvent-open-source-ai/
Похоже, OpenAI уже готовит почву для следующего большого скачка после GPT-5.6.
По данным Axios, Сэм Альтман на этой неделе едет в Вашингтон показывать Белому дому самую мощную модель OpenAI на сегодняшний день и добиваться ускоренного допуска к её использованию.
Модель пока не представлена как GPT-6, поэтому называть её так рано. Но описанные возможности выглядят как переход к следующему поколению:
• способна получать новые научные результаты, включая решение старой математической задачи;
• рассчитана на долгие многоэтапные задачи;
• позволяет запускать команды автономных AI-агентов, которые совместно работают над сложными бизнес-процессами;
• возможности в кибербезопасности стали настолько сильными, что предварительная версия во время тестирования смогла выйти за ожидаемые рамки и затронуть инфраструктуру Hugging Face.
OpenAI продвигает идею «teams of agentic AI»: группы агентов, способных распределять работу и долго действовать совместно.
GPT-5.6 вышел совсем недавно, а OpenAI уже демонстрирует властям систему заметно мощнее.
https://www.axios.com/2026/07/26/sam-altman-openai-trump-white-house-visit
🧠 Face ID — это далеко не самая сложная задача в биометрии.
Настоящие проблемы начинаются, когда систему нужно заставить работать не на красивом датасете, а в реальном мире.
Например:
• как отличить человека от фотографии или дипфейка
• что делать, если лицо закрыто маской или очками
• как запускать модели на слабом железе без потери качества
• почему высокий accuracy почти ничего не говорит о надежности системы
• какие метрики действительно важны (FAR, FRR, EER)
Именно эти задачи ежедневно решают инженеры, которые разрабатывают биометрические системы для миллионов устройств.
28 июля в 19:00 пройдет открытый вебинар, где Иван Соломатин — к.т.н., ведущий инженер Samsung Electronics, преподаватель МФТИ и Harbour.Space, автор курсов онлайн-магистратуры MSAI (girafe.ai × МФТИ) разберет, как сегодня строятся современные системы биометрического распознавания.
Обсудим:
• как устроены современные биометрические пайплайны
• какие существуют виды биометрических признаков
• как защищают системы от спуфинга
• почему хорошие модели иногда плохо работают в продакшене
📅 28 июля, 19:00 (МСК)
Формат: онлайн, на платформе Zoom
Участие бесплатное, необходима предварительная регистрация
Если захотите глубже разобраться в Computer Vision, ML Engineering и других направлениях современного AI, посмотреть программу онлайн-магистратуры MSAI можно на сайте
girafe.ai/msai-program
Sakana AI выпустила Claude Code-совместимый интерфейс для Fugu-Ultra v1.1 🐡
Теперь вместо одной модели, которая сама пишет, дебажит и запускает код, можно подключить целую команду frontier-моделей прямо из терминала.
Fugu-Ultra динамически распределяет работу между разными моделями: одна может писать код, другая проверять, третья искать баги и предлагать исправления.
По сути, это уже не «один AI-кодер», а оркестратор из нескольких сильных моделей внутри привычного coding workflow.
Пробовать:
https://console.sakana.ai/get-started
Похоже, следующий этап AI-кодинга — это уже не выбор лучшей модели, а умение правильно собрать из них команду.
⚡️ Сколько самостоятельности давать агенту и где ставить границы — успевайте зарегистрироваться, чтобы не пропустить
Вопрос не только в токенах — тот же принцип касается доступа агента к базам, репозиториям, внутренним API. Сколько автономии давать агенту и где проводить границу — тема, которую стоит закладывать в архитектуру заранее, а не разбираться постфактум.
С 27 по 31 июля ШАД проводит онлайн-интенсив AI Agents Security Week – про то, как ставить агентам разумные границы.
Разберут:
• чем агенты отличаются от LLM в модели угроз
• как выдавать доступ к инструментам, не открывая при этом всё на свете
• защиту персональных и корпоративных данных
• типичные уязвимости агентных систем и ошибки конфигурации
• реальные факапы команд, которые уже наступили на эти грабли
Подойдёт ML-разработчикам, DevOps/DevSecOps-инженерам, техлидам, архитекторам, студентам старших курсов.
5 вечерних занятий + отборочное тестирование и итоговая работа для сертификата.
27 июля – последний день подачи заявки по ссылке, после этого регистрация закроется.
😨 Opus 5 собрал онлайн-шутер в духе Call of Duty практически с одного промпта
Автор попросил модель сделать FPS на Three.js с AAA-графикой, физикой и детализацией, а работу разбить между несколькими субагентами.
Отдельным агентам поручили:
• реализовывать разные части игры
• проверять результат визуально
• жёстко критиковать качество
• повторять итерации, пока результат не станет максимально близок к Call of Duty
Fвтор выложил репозиторий и исходный промпт, поэтому результат можно проверить самому.
промпт:
I want you to build a first-person shooter at the level of the most recent Call of Duty games. It should be utterly perfect, visually beautiful, with every single thing done at AAA quality—from textures to physics to anything you could think of. Fan out sub-agents and have sub-agents tackle each one individually so that the game is utterly perfect. You should /loop on each item and have a separate sub-agent check it visually to ensure it looks triple A. That separate sub-agent should be a really harsh critic, and if it doesn't look triple A, it should keep going. Don't stop until each sub-agent is utterly wowed with the quality when compared with the actual Call of Duty game. It should literally compare them side by side blind and say which one looks better. Do this in ThreeJS. /loop until it's utterly perfect. Fan out sub-agents and ultracode.Один запрос уже может запускать целую цепочку агентов, которые пишут код, проверяют друг друга и дорабатывают результат. Геймдев меняется быстрее, чем многие ожидали. 😨
🔥 27B-модель Fable-Fusion метит в новый топ локальных AI-агентов
На Hugging Face набирает популярность Qwen3.6-27B Fable-Fusion-711 — мультимодальный fine-tune Qwen3.6 с упором на reasoning, tool calling и работу в агентных сценариях. Модель распространяется в GGUF и имеет кванты, которые помещаются на потребительское железо.
По заявленным тестам:
• ARC-C: 0.711 в 8-bit и 0.701 в 4-bit
• контекст базовой Qwen3.6 — до 262K токенов нативно
• поддерживаются vision и tool calling
• multi-stage fine-tune с улучшенной структурой reasoning
• есть GGUF-кванты примерно от 12–17 ГБ
• модель специально дорабатывали для снижения количества отказов через Heretic/abliteration.
27B dense-модель пытаются приблизить по качеству reasoning к гораздо более тяжёлым системам, сохраняя возможность локального запуска.
https://huggingface.co/DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF
✔️ ByteDance открыл набор ученых и аспирантов для ML-исследований
Китайский гигант запустил инициативу STEM Scientist в рамках проекта Seed. Компания отберет 100 ученых и аспирантов для полугодовой работы над применением машинного обучения в фундаментальной науке.
Программа предполагает 2 формата: позиции научных консультантов для отраслевых экспертов и стажировки для PhD-студентов STEM-направлений.
Базовое требование - опыт использования ИИ в исследованиях. Навыки программирования станут плюсом.
Со своей стороны ByteDance предоставляет зарплату, доступ к вычислительным ресурсам и работу с собственной ИИ-командой.
Участие требует очного присутствия в пекинском офисе компании. Заявки принимаются до 30 сентября 2026 года.
@ai_machinelearning_big_data
#news #ai #ml
Собрать AI-агента по туториалу можно за вечер. Но когда добавляешь память, RAG или несколько инструментов, возникают другие вопросы: почему он свернул не туда, как найти место ошибки и как понять, не сделала ли новая правка систему хуже.
Чтобы развивать такой продукт дальше, нужно понимать, как устроены вызовы модели и инструментов, где хранится контекст, как проверять качество и как вносить изменения.
На курсе «AI-агенты» сначала пишем основные части на API: работу с LLM, structured output, tool-calling, память, RAG и evals. Затем используем LangChain и LangGraph там, где они действительно упрощают разработку, добавляем MCP, мониторинг и деплой.
Курс идёт 12 недель: живые занятия, практика, разборы решений и ревью кода. На выходе - пять агентных проектов и база, с которой можно собирать свои системы.
→ Посмотреть программу, формат и стоимость курса по ссылке
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqvrACMx
🐋 Глава DeepSeek: Nvidia «роет себе могилу» в Китае
Лян Вэньфэн довольно жёстко прошёлся по Nvidia. По его оценке, Huawei 950 SuperNode уже способен заменить GB200/GB300 по рабочим задачам, даже если решение Huawei окажется в 2–3 раза дороже.
Но разрыв в железе остаётся: Лян оценивает соотношение примерно как 4 Huawei 950 = 1 Nvidia GB300, плюс около двух лет технологического отставания.
DeepSeek получила от Huawei около 16 000 карт, то есть примерно 4 000 GB300-эквивалентов по этой оценке. А для обучения модели масштаба крупнейших современных систем, по словам Ляна, потребовалось бы около 50 000 GB300 или 200 000 Huawei 950.
Получается, проблема Китая сейчас уже не только в CUDA и софте. Главный дефицит - физический объём доступных ускорителей.
А Nvidia тем временем получает в Китае конкурента, которого экспортные ограничения только заставляют развиваться быстрее.
