Machine learning Interview
Open in Telegram
ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz
Show more
Network:📈 Analytical overview of Telegram channel Machine learning Interview
Channel Machine learning Interview (@machinelearning_interview) in the Russian language segment is an active participant. Currently, the community unites 30 197 subscribers, ranking 4 307 in the Technologies & Applications category and 21 311 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 30 197 subscribers.
According to the latest data from 27 August, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 32 over the last 30 days and by -1 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 11.60%. Within the first 24 hours after publication, content typically collects 7.07% reactions from the total number of subscribers.
- Post reach: On average, each post receives 3 504 views. Within the first day, a publication typically gains 2 135 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 29.
- Thematic interests: Content is focused on key topics such as claude, llm, контекст, hermes, nvidia.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно!
Вопросы - @workakkk
РКН: clck.ru/3FmwRz”
Thanks to the high frequency of updates (latest data received on 28 August, 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.
30 197
Subscribers
-124 hours
+517 days
+3230 days
Posts Archive
Anthropic только что выпустила Claude Opus 4.8.
Anthropic только что выпустила Claude Opus 4.8.
Три конкретных изменения по сравнению с 4.7: точнее судит о ситуации, честнее говорит о собственных ограничениях и дольше держит контекст при самостоятельной работе без подсказок.
По бенчмаркам: agentic coding (SWE-Bench Pro) 69.2% против 64.3% у 4.7 и 58.6% у GPT-5.5. Computer use (OSWorld) 83.4%. Knowledge work (GDPval-AA) 1890 против 1753 у предыдущей версии. В терминальном кодинге GPT-5.5 пока впереди с 78.2% против 74.6%, но разрыв небольшой.
Цена не изменилась.
В релизе упоминается апдейт про "более честную оценку собственного прогресса" — это прямо отвечает на одну из главных болей при работе с агентами: модель уверенно сообщает, что задача выполнена, хотя на самом деле застряла. Посмотрим, насколько это реально изменилось на практике.
claude.com/blog/introducing-dynamic-workflows-in-claude-code
Агенты наконец-то получают нормальную память
agentmemory - это локальный слой памяти для AI coding agents, который решает одну из самых раздражающих проблем: каждый новый сеанс агент снова «забывает» архитектуру проекта, ваши правки, договорённости, баги и стиль работы.
Вместо того чтобы каждый раз заново объяснять Claude Code, Cursor, Codex или другому агенту, как устроен проект, agentmemory тихо сохраняет полезный контекст, сжимает его в searchable memory и подставляет нужные куски в следующих сессиях.
Что важно:
- работает с Claude Code, Cursor, Codex CLI, Gemini CLI, Windsurf, Roo Code, Cline, Aider и другими агентами
- поддерживает MCP, hooks и REST API
- один общий memory server для разных инструментов
- память шарится между агентами, а не живёт внутри одного клиента
- можно поднимать локально, без завязки на внешний сервис
- помогает не раздувать CLAUDE.md, .cursorrules и другие ручные файлы контекста
Идея простая: агент должен не просто выполнять задачу, а накапливать опыт по проекту.
https://github.com/rohitg00/agentmemory
Perplexity выложили в open source свой Unigram tokenizer, который снижает нагрузку на CPU в 5-6 раз.
Почему это важно: маленькие reranker- и embedding-модели уже работают на GPU за единицы миллисекунд. На этом фоне токенизация на CPU внезапно становится заметной частью общей задержки.
То есть модель может быть быстрой, GPU может простаивать минимально, но пайплайн всё равно тормозит на подготовке текста.
Что сделали:
• переписали Unigram tokenizer
• снизили CPU utilization в 5-6 раз
• ускорили инференс-пайплайны для rerankers и embedders
• выложили код в open source
Хорошее напоминание: в продакшене скорость ИИ - это не только модель и GPU. Иногда bottleneck сидит в скучной части пайплайна, которую почти никто не замечает.
GitHub: github.com/perplexityai/pplx-garden
Как получить БЕСКОНЕЧНЫЕ лимиты ChatGPT, Gemini, Claude и других хайповых нейронок - нашел инструмент, который позволяет максимально экономить токены.
Нашли расширение, которое делает почти магию: переносит диалог с нейронкой в другой аккаунт в один клик.
Когда лимит в ChatGPT, Gemini, Claude или другом сервисе заканчивается, не нужно вручную копировать промпты, ответы и весь контекст. Расширение сохраняет текущий чат и позволяет продолжить разговор с того же места.
Что умеет:
• переносить диалог между аккаунтами • сохранять контекст, результаты и важные данные • избавлять от ручного копирования • быстро продолжать работу после упора в лимиты
Для тех, кто постоянно работает с нейронками, это прям находка.
Ссылка на расширение - https://addons.mozilla.org/ru/firefox/addon/limit-skip/
✔️ Sakana AI вместе с Оксфордом, Стэнфордом и Allen AI выкатили занятную работу: проверили, умеют ли современные модели предсказывать, какие научные идеи выстрелят.
Собрали бенчмарк CUSP на 4760 реальных научных событий и прогнали через передовые LLM. Картина получилась двойственная. Модели неплохо отличают перспективное направление от тупикового - то есть «нюх» на хорошую идею у них есть. А вот ответить, дойдёт ли исследование до результата и когда именно, они почти не могут.
Причём дело не в нехватке обучающих данных: увеличение объёма проблему не закрывает.
Авторы рекомендуют использовать ИИ как фильтр и помощника-исследователя, чтобы генерировать гипотезы, отсеивать слабые гипотезы, ускорять рутину, но решение о том, во что вкладывать время и ресурсы, оставлять за человеком.
Заодно это аккуратный аргумент против хайпа про «ИИ-учёного, который без человека сделает невероятное научное открытие».
Статья: arxiv.org/abs/2605.22681
Проект: seanwu25.github.io/CUSP-Science/
@ai_machinelearning_big_data
⚡️ Microsoft выложила в open source AI Engineer Coach - плагин, который оценивает, насколько адекватно вы работаете с агентами и не сливаете токены в пустоту.
По сути, это локальный тренер по агентному кодингу. Он смотрит на ваши сессии, показывает, какие агенты использовались, сколько ушло токенов, где промпты были нормальными, а где вы просто заставляли дорогую модель делать работу, которую можно было решить проще.
Отдельно плагин проверяет 45 анти-паттернов. Например, если вы не используете plan mode, гоняете мощные модели на мелкие задачи, повторяете одни и те же действия руками или плохо готовите проект под работу агентов - он это подсветит.
Есть и практичная часть: AI Engineer Coach анализирует, готов ли проект к агентному кодингу, есть ли нужные файлы и инструкции, находит повторяющиеся промпты и помогает превращать их в скиллы. Плюс внутри есть роадмап по вайбкодингу и ачивки, чтобы было понятно, куда расти дальше.
Всё работает локально и бесплатно. Microsoft отдельно подчёркивает, что данные никуда не отправляются.
Выглядит как полезная штука для тех, кто уже живёт в Claude Code, Codex, Cursor и похожих инструментах, но хочет понять, где реально ускоряется, а где просто красиво сжигает контекст.
https://github.com/microsoft/AI-Engineering-Coach
Google скормила ИИ триллион минут с фитнес-браслетов и научила его понимать тело человека
Новая работа Google показывает простую идею: данные с фитнес-браслетов становятся по-настоящему полезными только тогда, когда ИИ учится понимать конкретного человека за этими сигналами, а не просто считает пульс.
Речь не про очередной алгоритм измерения сердечного ритма. Команда обучила общую модель SensorFM на более чем одном триллионе минут сенсорных данных, собранных у пяти миллионов людей. Такой масштаб переводит задачу из плоскости «зафиксировать отдельное событие» в плоскость «выучить структуру обычной жизни тела»: сон, движение, температура, насыщение кислородом, ритм сердца и весь шум повседневности.
Ключевая мысль авторов звучит неожиданно. Носимые устройства слабы не потому, что им не хватает данных. Они слабы потому, что большинство систем сжимают сырые сигналы в грубые усреднённые показатели ещё до того, как в данных проявится осмысленная структура. SensorFM сначала выучивает эту структуру, а потом переиспользует её под конкретные задачи.
Одно и то же представление помогает делать предсказания по кардиологии, метаболизму, ментальному здоровью, сну, образу жизни и демографическим характеристикам. По сути, это foundation-модель для физиологии человека, обученная на беспрецедентном объёме непомеченных данных.
Сильнее всего работа читается как история про масштаб. Чем больше модель и чем больше данных в предобучении, тем выше качество. Выученные эмбеддинги обошли инженерные признаки на 34 из 35 задач предсказания. Это серьёзный аргумент в пользу того, что эпоха ручного фичеринга для wearables подходит к концу.
Статья на arxiv: https://arxiv.org/abs/2511.15352
Anthropic платит SpaceX $1,25 млрд в месяц за вычисления. В месяц.
Это $15 млрд в год, которые идут компании, чья годовая выручка составляет около $18 млрд. Одна AI-лаборатория почти станет главным источником коммерческого дохода SpaceX.
Мы узнали об этом только потому, что SpaceX сегодня подала документы на IPO и была вынуждена раскрыть условия сделки. Саму сделку объявили несколько недель назад, но тогда без финансовых деталей.
https://www.axios.com/2026/05/20/anthropic-spacex-compute
Рассмотрим одну из самых динамичных задач компьютерного зрения — распознавание действий на видео.
Пройдём путь от классических подходов (3D-свёртки, архитектуры SlowFast) до современных мультимодальных моделей, которые понимают контекст видео почти как человек.
Результаты урока:
- Освоите базу распознавания действий, поймёте различия между классическими и современными архитектурами, узнаете, как применять визуально-языковые модели для глубокого анализа видео.
Спикер и руководитель продвинутого курса по CV: Антон Витвицкий, руководитель команды компьютерного зрения в Boost Inc. с опытом 14+ лет
Регистрируйтесь https://tglink.io/0792b1c99e99b7?erid=2W5zFHGskdF
Урок в рамках курса Компьютерное зрение. Экспертный уровень
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
⚡️ Machine Learning Roadmap 2025: большая карта входа в ML без сказок про “нейросети за месяц
Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга.
Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа.
Roadmap разбит на 7 треков:
1. Фундамент: Python, математика, статистика, инструменты
2. Классический ML: scikit-learn, табличные данные, метрики, валидация
3. Deep Learning: PyTorch, CNN, RNN, training loop
4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты
5. Generative AI: изображения, видео, аудио, мультимодальность
6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving
7. Специализация: CV, NLP, RecSys, RL, Safety
Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”.
В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы.
Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось.
По времени тоже без сказок:
1. 0-3 месяца: Python, математика, классический ML
2. 3-6 месяцев: Deep Learning и PyTorch
3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты
4. 12+ месяцев: MLOps, прод, масштабирование, специализация
Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу!
Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир.
https://github.com/justxor/MachineLearningRoadmap
Клод: «Лимит использования достигнут. Сброс через 6 часов.»
Я через 0,2 секунды 💀
Repost from Machinelearning
🌟 Raindrop открыла исходный код локального отладчика агентов Workshop
Инструмент интегрируется с Claude Code, Cursor и другими кодинг-агентами.
Raindrop - стартап из 9 человек, основанный в 2023 году, который позиционирует себя одним из первых, кто оформил мониторинг для ИИ-агентов как отдельный продуктовый класс.При использовании Workshop модель получает прямой доступ к трассировкам выполнения, читает их, пишет оценочные тесты и правит код, замыкая цикл самовосстановления. Если агент в проде отклоняется от ожидаемого поведения, разработчик вызывает кодинг-агента прямо в терминале. Тот читает трассу через Workshop, пишет оценку под падающий сценарий, правит код и перезапускает прогон.
Цикл повторяется автоматически, пока не пройдут все проверки.Workshop работает локально и стримит данные в реальном времени. Каждый токен, вызов инструмента и шаг рассуждения попадает в интерфейс по мере выполнения, без поллинга. Есть режим воспроизведение, который берёт трассу из продакшена и прогоняет её через ваш экземпляр агента, запущенный локально. Заявлена поддержка TypeScript, Python, Go и Rust, а также фреймворков Vercel AI SDK, OpenAI Agents SDK, Anthropic SDK, Claude Agent SDK, LangChain, LangGraph, CrewAI, Mastra, Pydantic AI и DSPy. 📌 Лицензирование: MIT License 🟡Документация 🖥GitHub @ai_machinelearning_big_data #AI #ML #Agents #Workshop #RaindropAI
28 мая hh team и Lamoda Tech собирают GenAI MeetUp для LLM-инженеров, ML-специалистов и всех, кто строит GenAI-продукты
Программа:
🔴 Коля Безносов, руководитель направления AI Lab, hh.ru Рекрутёр, который не спит: как мы автоматизировали первичный контакт с соискателями с помощью ИИ 🔴 Женя Орлов, руководитель команды разработки AI Lab, hh.ru Нейроразбор резюме: практический опыт и нюансы создания LLM-судей 🖤 Данил Дмитриев, Senior Data Scientist, Lamoda Tech Контролируемый агент поддержки: как мы превратили обратную связь из прода в roadmap 🖤 Дима Курганский, TeamLead MLOps, Lamoda Tech Как мы строим GenAI-платформу в Lamoda: от MVP к production-решениямДоклады, нетворкинг, интерактивы и возможность пообщаться с ML-командами и рекрутёрами hh и Lamoda Tech. Когда: 28 мая. Сбор гостей с 18:30, стартуем 19:00. Где: Москва, офис hh.ru (2-я Брестская улица, 48). Офлайн или онлайн. Регистрируйтесь по ссылке #реклама О рекламодателе
Команда сOpenClaw жигает токенов на $1,3 млн в месяц.
Разработчики ставят вопрос - как бы мы писали софт в будущем, если бы токены ничего не стоили?
Их ответ - запускать не одного «помощника для кода», а целую армию агентов вокруг разработки.
У команды постоянно крутится около 100 Codex-инстансов в облаке. Они не просто пишут код по запросу, а закрывают почти весь инженерный контур:
- ревьювят каждый PR
- проверяют каждый commit на security issues
- дедуплицируют issues и ищут кластеры проблем
- поднимают временные окружения для сложных багов
- воспроизводят баг, пишут фикс и прикладывают before/after видео в PR
- следят за новыми issues и автоматически создают PR, если задача совпадает с vision проекта
- проверяют комментарии на спам и банят нарушителей
- гоняют performance benchmarks и кидают регрессии в Discord
- слушают митинги команды и начинают делать PR прямо во время обсуждения фичи
Самое интересное не в том, что это дорого. Самое интересное в том, что это показывает другой стиль разработки.
Обычная команда думает: «Как бы сэкономить токены?»
Они думают наоборот: «Что можно автоматизировать, если токены считать бесплатным инженерным ресурсом?»
Так появляются workflow, где агент не ждёт задачи в чате, а сам живёт вокруг репозитория: читает issues, ищет старые баги после фикса на main, проверяет безопасность, ловит регрессии, пересобирает окружения и пишет отчёты.
Да, $1,3 млн в месяц на токены выглядит безумием.
Но если такая автоматизация позволяет маленькой команде из 3-6 разработчиков поддерживать темп большой инженерной организации, то это уже не игрушка с ИИ. Это эксперимент с будущей экономикой разработки.
Вопрос в том, что произойдёт, когда такой workflow станет стоить не миллионы, а тысячи.
https://x.com/Machinelearrn/status/2055640278732620046
Mythos обошёл защиту, в которую Apple вложила 5 лет и миллиарды
Три исследователя использовали Anthropic Mythos, чтобы собрать рабочий exploit для macOS kernel. По их словам, он обходит Apple M5 Memory Integrity Enforcement - систему защиты, которую Apple строила годами и продвигала как один из главных барьеров против memory corruption атак.
Таймлайн выглядит жёстко:
- 25 апреля нашли баг
- 1 мая уже был рабочий exploit
- отчёт понесли лично в Apple Park
MIE была флагманской security-фичей для M5 и A19. Apple описывала её как защиту, которая должна резко усложнить целый класс атак на память. По их же исследованиям, MIE ломала все известные публичные exploit chains против современных iOS-устройств.
Исследователи не «сломали» MIE напрямую. Они её обошли. По описанию, атака была data-only: без манипуляций с указателями, через стандартные syscalls, от обычного непривилегированного пользователя до root.
Проблема уже не только в том, что уязвимости всё ещё находятся. Проблема в том, что frontier-модели начинают ускорять самую сложную часть offensive security: связывать баги, проверять гипотезы, искать обходные маршруты и собирать рабочую цепочку быстрее, чем это делала бы обычная команда вручную.
55-страничный технический отчёт обещают выпустить после патча Apple.
Если всё подтвердится, это одна из самых важных cybersecurity-историй года.
https://blog.calif.io/p/first-public-kernel-memory-corruption
Anthropic улетает в космос: $900 млрд оценки после $350 млрд в феврале
По данным Financial Times, Anthropic согласовала условия нового раунда на $30 млрд. Сделка может закрыться уже в этом месяце и оценить компанию в $900 млрд без учёта новых денег.
В феврале 2026 года Anthropic оценивали в $350 млрд. Сейчас речь уже про $900 млрд. Почти x3 за три месяца.
По ARR картина ещё жёстче:
- конец 2025 года: $9 млрд
- конец мая 2026 года: $45 млрд
Почти x5 за пять месяцев.
Раунд, по данным FT, ведут Dragoneer, Greenoaks, Sequoia Capital и Altimeter Capital. И это уже не просто история про «ещё один AI-стартап поднял денег».
Рынок начал переоценивать Anthropic как одного из главных победителей enterprise-AI. Claude Code, корпоративные контракты, API, агенты, инфраструктура вокруг моделей - всё это внезапно превращается не в красивую демку, а в гигантский денежный поток.
https://www.ft.com/content/9deae3c6-716d-4f4d-8b09-434d8519f847
Moonshot выкатили Kimi Web Bridge - расширение для Chrome, через которое их агент работает в браузере как человек: ищет, скроллит, кликает, печатает и доводит задачи до конца.
Главное — это не очередной отдельный продукт, а мост. Bridge подключается к Kimi Code CLI, Claude Code, Cursor, Codex, Hermes и другим инструментам, которыми мы уже пользуемся каждый день. То есть свой привычный агент теперь можно вывести из песочницы терминала прямо в живой браузер с авторизованными сессиями, корпоративными SaaS и внутренними дашбордами.
Для нас это закрывает давнюю боль. Headless-браузеры ломаются на капчах и антибот-защите, API есть далеко не у всего, а MCP-серверы под каждый сервис писать никто не будет. Реальное рабочее окружение специалиста — это десятки вкладок, и агент, который туда зашёл со стороны пользователя, снимает целый слой костылей.
Из практического: можно собирать пайплайны вида «агент в IDE пишет код → тот же агент в браузере проверяет результат в проде → возвращается с фидбеком». Или поручать рутину в админках, где нет публичного API.
Поставить можно на kimi.ai и в Chrome Web Store. Любопытно посмотреть, как оно поведёт себя на длинных задачах и насколько устойчиво держит контекст между вкладками — напишите, если уже потрогали.
⚡️ Anthropic выложила legal-AI обвязку, и это плохая новость для дорогих «AI для юристов»
Anthropic открыла репозиторий Claude for Legal - набор reference agents, skills и data connectors для юридических команд.
Это не «ещё один чатбот для юристов», а готовые workflow под реальные задачи:
- contract review
- privacy и compliance
- litigation prep
- corporate work
- employment
- IP
- AI governance
- regulatory monitoring
- legal clinics и обучение студентов
Главная идея простая: Claude должен работать не в пустом чате, а рядом с документами, базами и внутренними процессами юридической команды.
Через MCP и коннекторы его можно подключать к существующим legal-системам и хранилищам, чтобы агент не просто писал красивый текст, а работал с реальным контекстом компании.
И вот тут становится больно для рынка legal-tech wrappers.
Если раньше можно было брать LLM, прикручивать сверху интерфейс, называть это «AI lawyer platform» и продавать за большие деньги, то теперь Anthropic выкладывает часть такой логики в open source.
Юридический AI постепенно уходит от «спроси модель про договор» к нормальной агентной инфраструктуре: роли, навыки, коннекторы, проверки, контекст и воспроизводимые workflow.
🔗 GitHub: https://github.com/anthropics/claude-for-legal
Получите офер в Яндекс за 2 дня
30–31 мая проводим Weekend Offer ML — онлайн-мероприятие быстрого найма. Такой формат позволяет пройти всего две секции, вместо трёх в обычном найме, и финалы за выходные и сразу получить офер.
📌 Ищем ML- и DL-инженеров с опытом в доменных областях NLP, CV, RecSys и Classic ML.
🔴 Зарегистрируйтесь до 20 мая — с вами свяжется рекрутер и договорится об удобном времени для интервью.
🔴 30 мая пройдите две технические секции: Classic ML и Livecoding, ML по своей основной доменной области (NLP, CV, RecSys, Classic ML).
🔴 31 мая пройдите финальные интервью с командами и получите офер.
Присоединяйтесь! Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-ml-0526
