Анализ данных (Data analysis)

🔥 Новинка от S-Lab, Nanyang Technological University и SenseTime Research: Next Visual Granularity Generation (NVG)! 🖼️ Новый фреймворк поэтапно улучшает изображение — от общего макета до мельчайших деталей, позволяя получить тонкий контроль над процессом генерации. 📊 Результаты впечатляют: NVG превзошёл серию VAR по метрикам FID! huggingface.co/papers/2508.12811

MiniCPM-V 4.5 🚀 Свежий релиз от OpenBMB — мультимодальная модель, которая умеет понимать картинки, несколько изображений подряд и даже видео. Главное: запуск возможен прямо на телефоне 📱 Что внутри: ✨ Достигает SOTA результатов в задачах vision+language ✨ 96× сжатие видеотокенов → можно анализировать длинные ролики с высоким FPS ✨ Два режима работы: быстрые ответы (Fast) или глубокие рассуждения (Deep) ✨ Мощный OCR для документов ✨ Поддержка более чем 30 языков 🔗 Подробнее: https://huggingface.co/openbmb/MiniCPM-V-4_5 @data_analysis_ml

Google все таки стояли за Nano Banana и намается она теперь Gemini Native Image. Эта модель для редактирования изображений- мощный коктейль из Photoshop, Figma и MidJourney! Gemini Native Image — качество редактирования Которое не имеет аналогов. Что он умеет? Попробуйте, она стоит вашего времени: • Заменяет объекты на фото, сохраняя остальное — без артефактов и искажений. • Реставрирует старые снимки — родственники будут в шоке! • Раскрашивает фото как профи-колорист. • Удаляет фон идеально чисто. • Меняет освещение на снимке. • Всё — через один интуитивный промпт: просто опишите, что хотите! Посмотрите примеры — модель просто огонь! 🔥 Доступна беcплатно в aistudio: http://aistudio.google.com/prompts/new_chat @machinelearning_interview

Стань AI-инженером мирового уровня и зарабатывай до 1 млн. ₽ Уже сейчас работодатели активно ищут таких специалистов, и спрос на них будет только расти! Магистратура «ИИ и компьютерное зрение» в ИТ-университете НЕЙМАРК — это: 1) онлайн обучение на английском языке 2) 2 диплома: НИУ ВШЭ + НЕЙМАРК 3) реальные задачи от Intel, Huawei, SBERLAB и других 4) возможность запустить стартап при поддержке наставников во время обучения 5) отсрочка от армии Узнай, как поступить и учиться бесплатно — переходи в бот и забирай инструкцию! Реклама. НЕЙМАРК, УНИВЕРСИТЕТ НЕЙМАРК. ИНН 5256209106.

🔋 Goldman Sachs выпустил 26-страничный отчёт об энергии и ИИ: **Powering the AI Era** Главный вывод: дата-центры для ИИ потребляют электричество быстрее, чем энергетики успевают строить новые мощности. Будущее индустрии будет зависеть не только от быстрых чипов, но и от того, кто сможет найти деньги и схемы финансирования для строительства. 🧵 Кратко по пунктам 👇 🚂 Каждый технологический бум имел опору - XIX век — железные дороги - 1990-е — оптоволоконные сети - 2020-е — стойки с GPU Одна «AI-фабрика» мощностью 250 МВт обойдётся примерно в $12 млрд. 📈 Почему обучение ИИ так прожорливо - Кластеры состоят из тысяч GPU с жидкостным охлаждением. - К 2027 году одна стойка будет потреблять в 50 раз больше энергии, чем облачная стойка 2022 года. - Даже с оптимизациями мировой спрос на энергию дата-центров вырастет на 160% к 2030 году. ⚡ Энергосети не справляются - Средний возраст ЛЭП в США — 40 лет. - Разрешение на газовую станцию занимает до 7 лет. - Goldman оценивает распределение новых источников: - 30% комбинированные газовые станции - 30% газовые «пикеры» - 27,5% солнечная энергетика - 12,5% другие источники 🔌 Как выкручиваются операторы - Строят дата-центры прямо рядом с генераторами. - Используют микросети, чтобы сглаживать пики нагрузки. - Это ускоряет запуск, но создаёт конфликты с соседями — круглосуточно шумят дизельные или газовые турбины. 🟠 Подробнее

🚀 NVIDIA ускорила LLM в 53 раза 🤯 Представь: твой бюджет на инференс снижается на 98%, а точность остаётся на уровне лучших моделей. 📌 Как это работает: Метод называется Post Neural Architecture Search (PostNAS) — революционный подход к «апгрейду» уже обученных моделей. Freeze the Knowledge — берём мощную модель (например, Qwen2.5) и «замораживаем» её MLP-слои, сохраняя интеллект. Surgical Replacement — заменяем большую часть медленных O(n²) attention-слоёв на новый супер-эффективный дизайн JetBlock с линейным вниманием. Hybrid Power — оставляем несколько full-attention слоёв в критичных точках, чтобы не потерять способность к сложным рассуждениям. ⚡ Результат - Jet-Nemotron: - 2 885 токенов/с ⚡ - 47× меньше KV-кеша (всего 154 MB) - Топовая точность при космической скорости 🔑 Почему это важно: Для бизнеса: 53× ускорение = 98% экономии на масштабном развёртывании. ROI проектов с ИИ меняется радикально. Для инженеров: теперь SOTA-уровень доступен даже на устройствах с ограниченной памятью. Для исследователей: вместо миллионов на пре-трейнинг — можно создавать новые эффективные модели через архитектурные модификации. 🟠Github 🟠Статья

🗣️ *Локальный голосовой ИИ с LLM на 235B параметров — прямо на Mac* Да, это реально: голосовой ассистент, полностью офлайн, с гигантской моделью на 235 миллиардов параметров. Всё работает локально на Mac M4. 📦 Стек: — smart-turn v2 — управление диалогами — MLX Whisper (large-v3-turbo-q4) — распознавание речи — Qwen3-235B-A22B-Instruct-2507-3bit-DWQ — основная LLM — Kokoro — голосовой движок 🧠 Всё это запускается локально, без интернета. Максимальное потребление памяти — ~110 ГБ. ⏱️ Задержка «голос → голос» — примерно 950 мс, и её ещё можно уменьшить на ~100 мс. 💡 Для первых экспериментов — впечатляющий результат. Голосовой AI без облаков уже рядом. 🟢 Github @data_analysis_ml

⚡️ Виртуальные десктопы в облаке: как с ними работать? В MTC Web Services стартует серия практических вебинаров, где эксперты помогут разобраться с техническими этапами внедрения облачных сервисов с нуля. На первом вебинаре 28 августа будем говорить об особенностях реализации и уникальных преимуществах нашего сервиса MWS VDI на базе VMcloud Platform. Вебинар будет особенно полезен компаниям, которым сложно администрировать большой парк компьютеров и контролировать безопасность данных. ℹ️ Для кого: ИТ-директорам и специалистам по безопасности, системным администраторам Что еще в программе? 1️⃣Какие способы доступа в VDI вы получаете в MWS 2️⃣Какое оборудование подходит для решения ваших бизнес-задач 3️⃣Как устроена техническая поддержка пользователей MWS 4️⃣Какие зоны ответственности у провайдера и заказчика 5️⃣Как мы обеспечиваем безопасность данных в публичном облаке Зарегистрироваться на онлайн-дискуссию ⬅️

🔟 вещей, которые стоит знать, прежде чем лезть в AI-автоматизацию Автор с Reddit построил больше 100 workflow и выделил самые главные уроки: 1. Начинайте с простых сценариев — лучше 10 минут пользы, чем 10 часов сложностей. 2. Записывайте процесс: скриншоты и ошибки — это ваше портфолио. 3. Сразу учитесь работать с HTTP-запросами — это открывает доступ почти ко всему. 4. Не называйте себя «экспертом», говорите конкретно: «Помогаю бизнесу экономить время». 5. Умейте отказываться: иногда «нет» открывает путь к более выгодным проектам. 6. Всегда думайте об ошибках: API падают, данные ломаются. 7. Делитесь провалами — они вызывают больше доверия, чем идеальные кейсы. 8. Стабильный доход приносит не настройка, а поддержка и улучшения. 9. Нетворкинг — половина успеха. Проекты приходят через коллег. 10. Автоматизируйте сначала себя: лучший аргумент — собственный пример. 💡 Главное: бизнесу нужны не красивые workflow, а результат — например, «минус 15 часов рутины в неделю». 🔗 Полный пост

🤖 DeepConf — новый подход к мышлению ИИ Учёные придумали новые метод Deep Think with Confidence (DeepConf). Он позволяет модели сразу отбрасывать «слабые» варианты ответа и оставлять только те, в которых она уверена. Классический метод *parallel thinking* (self-consistency) работает так: модель генерирует множество рассуждений и выбирает лучший ответ по большинству. Точность повышается, но ресурсы тратятся огромные — тысячи токенов уходят на слабые варианты. 🔹 DeepConf решает эту проблему: модель сама оценивает уровень уверенности в рассуждениях и отбрасывает «слабые» ветви — либо сразу, либо после генерации. Как это устроено: 1️⃣ Оценка уверенности на уровне токенов — смотрится вероятность выбранного токена (log-prob) или энтропия. 2️⃣ Group Confidence — оценки объединяются в блоки, чтобы понять силу целой ветки рассуждения. 3️⃣ Online-режим — слабые ветки отсекаются прямо в процессе. 4️⃣ Offline-режим — сначала генерируются все ответы, потом остаются только те, где уверенность высокая. 📈 Результаты: - На AIME-2025 точность выросла до 99,9% - Количество лишних токенов сократилось почти на 85% - Работает без дообучения и сложных настроек 📚 Paper: https://arxiv.org/pdf/2508.15260 🌐 Project: https://jiaweizzhao.github.io/deepconf

📖 Вечернее чтение Команда из DeepMind подготовила отличный материал о том, что нужно знать о работе с GPU. - Разбор архитектуры NVIDIA GPU: SM, Tensor Cores, кеши, HBM. - Сравнение GPU и TPU: гибкость против специализированной мощности. - Как устроены GPU-кластеры и коллективные коммуникации. - Roofline-анализ масштабирования LLM: data, tensor, expert, pipeline parallelism. 🔥 Если вы работаете с масштабированием моделей - мастрид. 👉 https://jax-ml.github.io/scaling-book/gpus/

👀 Стереосопоставление в реальном времени с помощью retinify Особенности: ✅ Open Source ✅ Подходит для любой стереокамеры ✅ Реальное время на NVIDIA Jetson Orin Nano С retinify даже недорогие OEM-стереокамеры или пара обычных камер превращаются в высокоточные AI-стереосистемы. Когда retinify получает данные о глубине и расстояниях от стереокамеры, она формирует так называемое облако точек — набор трёхмерных точек в пространстве, которые представляют геометрию сцены (каждая точка имеет координаты X, Y, Z, иногда цвет). Чтобы увидеть это облако точек на экране в наглядном виде (в 3D-просмотрщике), используют специальный инструмент или библиотеку. В данном случае для этой задачи применяется Rerun (rerundotio) — платформа с удобным C++ API, которая позволяет быстро строить 3D-визуализации и анализировать результаты работы алгоритмов. 🚀 Попробовать можно на GitHub: https://github.com/retinify/retinify

🔥 ByteDance представил Seed-OSS (Apache-2.0) — открытую серию LLM, обученную на 12 трлн токенов и оптимизированную для: - контекста до 512K, - reasoning-задач, - агентных сценариев, - международного применения (i18n). 📦 В релиз вошли: - Seed-OSS-36B-Base (с синтетическими данными и без) - Seed-OSS-36B-Instruct ⚙️ Архитектура - 36B параметров, 64 слоя, hidden 5120 - словарь 155K - GQA (80/8/8, head 128) - SwiGLU, RMSNorm - RoPE base 1e7 🧠 Thinking Budget Механизм контроля длины рассуждений (кратные 512): - 0 = прямой ответ - default = без ограничений - поддержка CoT и саморефлексии --- 📊 Результаты (Seed-OSS-36B-Base) - MMLU-Pro: 65.1 / 60.4 - MMLU: 84.9 / 84.8 - TriviaQA: 82.1 / 81.9 - GPQA-D: 31.7 / 35.2 - BBH: 87.7 / 87.2 - GSM8K: 90.8 / 90.3 - MATH: 81.7 (SOTA) / 61.3 - MBPP: 80.6 / 74.6 - HumanEval: 76.8 / 75.6 📊 Результаты (Seed-OSS-36B-Instruct) - MMLU-Pro: 82.7 | MMLU: 87.4 - GPQA-D: 71.4 | SuperGPQA: 55.7 - AIME24: 91.7 (SOTA) | AIME25: 84.7 | BeyondAIME: 65 - ArcAGI V2: 40.6 | KORBench: 70.6 - LiveCodeBench v6: 67.4 (SOTA) - IFEval: 85.8 - TAU1-Retail: 70.4 (SOTA) | TAU1-Airline: 46 - SWE-Bench Verified: 56 (SOTA) | Multi-SWE-Bench: 17 - MMMLU: 78.4 | RULER (128K): 94.6 (SOTA) | AIR-Bench: 75.6 ⚡ Инференс - Поддержка Transformers и vLLM (≥0.10.0) - FlashAttention2 - Квантизация 4/8-бит 📌 Итог: ByteDance выкатывает мощный опенсорс-стек для reasoning и агентных задач. Seed-OSS-36B-Instruct бьёт SOTA на множестве бенчмарков — от MATH и SWE-Bench до RULER-128K. 🟢GitHub 🟢Hugging Face

📉 На Уолл-стрит началась просадка AI-акций — и спусковым крючком оказался в отчёте MIT. В нём говорится, что 95% компаний не получают прибыли от внедрения generative AI, а реальные результаты видят только 5%. Почему так: - Компании запускают до того, как готовы пайплайны данных, безопасность и обучение сотрудников - Деньги уходят на сервера и модели, а внедрение в процессы оказывается долгим и дорогим ⚠️ На фоне разговоров про «AI-пузырь» фонды начали выходить из популярных AI-акций, что вызвало обвал. 👉 Но это похоже не на крах, а на проверку реальностью. Дальнейший рост будет зависеть от реальной экономики ИИ: снижения стоимости инференса и доказанного роста продуктивности. 📌 Источник

🚀Нет, ну а начать-то с чего? В Yandex Cloud точно понимают, что это самый популярный вопрос у всех, кто желает войти в IT. Поэтому команда создала бесплатный курс «Основы работы с Yandex Cloud» от опытных архитекторов и менеджеров платформы. Теперь получить доступ к практике на реальных инструментах и повысить базовую грамотность в IT сможет каждый. Смело пересылаем этот пост своему младшему брату или сохраняем себе. 📌 На курсе вы: — поймёте, как работают облачные технологии и разберётесь в основных терминах: IaaS, PaaS, SaaS; — изучите элементы облачной инфраструктуры: регионы, зоны доступности, центры обработки данных; — научитесь использовать виртуальные машины и управлять ими в Yandex Cloud; — узнаете, как обеспечиваются безопасность и отказоустойчивость в облаке; — освоите использование облачных баз данных и других инструментов для работы с данными; — познакомитесь с сервисами Yandex Cloud и узнаете, как применять их для бизнеса и личных проектов. 🔥Материал разделён на 7 тем с теорией и практикой, и проходить его можно в любое удобное время, а сертификат станет хорошим дополнением к резюме. Регистрируйтесь, чтобы быть «в теме» будущего уже сейчас. @data_analysis_ml

🧮 GPT-5 Pro выходит на новый уровень. Теперь модель способна выводить корректные математические доказательства прямо из научных статей. 📌 Недавний пример: GPT-5 Pro построила проверенное доказательство из работы по выпуклой оптимизации, расширив «безопасное окно шага» на 50%. 🧮 Эксперимент выглядел так: балы взята статья по выпуклой оптимизации, где оставался открытым вопрос о шагах градиентного спуска. GPT-5 Pro предложил доказательство, которое улучшило решение из оригинальной работы, и автор эксперимента лично проверил его корректность. 📄 В первой версии статьи было установлено: 🟢если η < 1/L (L — параметр гладкости), кривая значений функции выпуклая; 🟢если η > 1.75/L, существует контрпример. Неясным оставался диапазон [1/L, 1.75/L]. 💡 GPT-5 Pro сумел продвинуться и показал, что условие выпуклости сохраняется вплоть до η = 1.5/L. Это не окончательное решение, но значимый шаг вперёд — фактически новый научный результат, который мог бы быть опубликован на arXiv. 👀 Однако в обновлённой версии статьи , где появился дополнительный соавтор, люди закрыли задачу полностью, доказав точность границы 1.75/L. Примечательно, что доказательство GPT-5 Pro оказалось независимым: оно не совпадает с версией v2 и выглядит как естественное развитие идей из v1. Это показывает, что модель действительно смогла предложить свой собственный путь к решению открытой математической проблемы. Главное не только в результате, но и в контроле: на второй попытке, при заданных ограничениях, модель сместила константу дальше — сохранив все правила. Можно представить так: GPT-5 крутит очень чувствительную ручку, но не ломает механизм — а параллельно пишет чистое и проверяемое объяснение, которое может разобрать эксперт. Это шаг к тому, чтобы ИИ стал ежедневным соавтором на самых острых технических границах — где модели быстро «поджимают» константы, а люди доводят их до предела. Эра, когда большая часть математических открытий будет рождаться вместе с ИИ, только начинается. 🚀 Пост полностью.

🔥 Гугл успел проиндексировать больше 370 000 чатов Grok В поисковой выдаче теперь спокойно всплывают диалоги, где встречаются: - 🧪 рецепты запрещённых веществ - 🔑 персональные данные и API-ключи - 🕵️ даже обсуждение убийства Маска Причина проста — при нажатии на кнопку «поделиться» такие чаты автоматически становятся открытыми для индексации, без каких-либо предупреждений. Интересно, что пару недель назад OpenAI уже попали под огонь за похожую историю: у них хотя бы была отдельная кнопка и дисклеймер, но проблему быстро прикрыли и подчистили. А Маск тогда язвительно заявлял , что у Grok подобного не бывает. Допрыгался 👍 📌 Подробности

🤖 Claude Code только что заставил разработчика плакать — модель взяла и удалила все PDF, чаты и пользовательские данные из базы 🥲 Всё идёт идеально, пока ИИ не решит «подчистить хвосты»… и вместе с ними базу данных. LMAO 💀 Это ещё раз напоминает: - ИИ в проде должен быть всегда под присмотром - Бэкапы и тестовые окружения — без них никуда - Автономный агент без ограничений = билет в one-way trip

🚀 500+ AI Agents Projects — крупнейшая подборка реальных проектов с ИИ-агентами Ashish Patel собрал коллекцию из 500+ проектов, где используются AI-агенты в самых разных сферах — от медицины до финансов и customer support. 🧠 Что внутри: — Кейсы с открытым кодом: торговые боты, ассистенты, рекомендательные системы — Поддержка популярных фреймворков: CrewAI, AutoGen, LangGraph и др. — Агентные решения для анализа рынка, генерации резюме, видеопомощников, юристов и даже врачей — Образовательные агенты, рекрутинговые, customer service и legal-tech проекты — Указаны ссылки на репозитории, описание задач и идеи для расширения 📌 Почему это полезно: ✔️ Отличный старт для своего проекта ✔️ Удобно искать по индустрии и технологии ✔️ Много вдохновения для хакатонов, ресёрча и автоматизации ✔️ Поддержка сообщества: можно добавить свои кейсы 📌 Github @data_analysis_ml

Технологии будущего уже здесь — они медленно перестраивают реальность вокруг нас. Уже сейчас можно сказать, что генеративный ИИ вышел за рамки экспериментов и начинает менять привычные бизнес-процессы. Но как именно это происходит? В интервью Коммерсанту Иван Гуз, управляющий партнер Авито, раскрыл детали интеграции искусственного интеллекта в повседневные операции компании и объяснил, почему без ИИ скоро нельзя будет представить ни один технологичный бизнес. В Авито, например. GenAI уже берет на себя рутинные задачи: автоматически генерирует описания товаров, обрабатывает данные и оптимизирует процессы. «Уровень использования ИИ в качестве помощников растет экспоненциально. То есть сомнений в том, что все будут использовать искусственный интеллект, не возникает», — подчеркивает Иван Гуз. Следующий этап, по мнению эксперта, — переход к более сложным системам: «агентскому ИИ», способному принимать решения, и world models, которые работают с контекстом, а не просто с данными. Подпишитесь на полезные каналы Авито