Just links

TIRx: An Open Compiler Stack for Evolving Frontier ML Kernels https://tvm.apache.org/2026/06/22/tirx

Meta-Reinforcement Learning with Zero-Shot Reinforcement Learning https://openreview.net/forum?id=XyGJJ4FPoX

Martian Code Review Bench https://codereview.withmartian.com/

FARE: Fast-Slow Agentic Robotic Exploration https://arxiv.org/abs/2601.14681

Duality constrains optimal thresholds in quantum error correction https://arxiv.org/abs/2607.21160

Cautious optimism for deep parameterized quantum circuits https://arxiv.org/abs/2607.21409

Я ищу работу во Frontier AI Labs: активно готовлюсь к собеседованиям и неспеша подаюсь в Anthropic, OpenAI и так далее. Буду рад пообщаться с людьми, которые тоже активно готовятся, проходят или недавно проходили собеседования в эти компании. Также буду благодарен за интро и репосты, которые мне помогут таких людей найти. Делюсь полезными материалами для подготовки, которыми я сам пользуюсь. Задачи с реальных собеседований: DarkInterview, PracHub, 1point3acres, InterviewDB, LeetCode. Фундаментальные знания: Stanford CS336, книги RHLF и Scaling, блоги Karpathy, Lil’Log, Raschka. Но вообще лично у меня обучение продуктивнее всего идет в формате 1:1 тьюторинга от ChatGPT/Claude. Личные истории подготовки, собеседований, офферов: Mimansa (went to Meta AI), Alisa (OpenAI), Silvia (DeepMind), Yong (OpenAI), Jenya (Thinking Machines).

Single-component twisted Z3 orthogonal metal in an e/3-anyon fluid https://arxiv.org/abs/2607.15274

DecBench https://decbench.com/leaderboard/

Гипотеза якобиана, я так понимаю, всё. Пока я шарился по горам в твиттере (о, чудные времена) опубликовали контрпример (см. тут), который может перепроверить всякий желающий. Надобно сказать 2 вещи. 1. По всей видимости ИИ, будучи оснащенным грамотным белковым оператором (как в данном случае, и в случае недавно решенной гипотезы Эрдеша) в состоянии строить очень сложные контрпримеры, которые не доступны обычному человеку. 2. Заметного продвижения в том, чтобы ИИ научился прям доказывать нетривиальные утверждения я не вижу (пока). Но вероятно скоро увижу 🙂 Появление компьютеров и доступных вычислительных мощностей сделало бессмысленными целые пласты математики, которые были посвящены вычислениям. Сначала решать алгебраическое уравнение в квадратура стало бессмысленно, проще найти решение с любой точностью "силовыми методами". Сейчас решить дифур проще "силовыми методами", чем искать его явное решение (которого скорее всего нет). Это не обеднило математику, скорее наоборот. Теперь, надо думать, с появлением ИИ в прошлое отойдут и многие другие разделы куски математики связанные с теорией графов, комбинаторикой и прочей комбинаторной геометрией. Ну, если честно, туда и дорога. Для математики en mass ничего не меняется. Очень редко бывают содержательные вопросы, в которых на самом деле надо или опровергнуть или доказать некое явное утверждение. Куда чаще в математике вопросы ставятся в формулировке "как связано A и Б" или "можно ли дать описание факта С в терминах D" и так далее. Короче, когда у тебя (меня) есть конкретное утверждение, его обычно доказать легко и без ИИ. А вот сформулировать то самое утверждение — требует не только знания, но и чувства красоты и чувства "полезности" которого ИИ (при всем моем к нему уважении) покамест лишен. Да, в ближайшее время ИИ начнет по заданным параметрам (грубо говоря аксиоматике) выдавать тонны верных утверждений. Но они будут в основном бессмысленны. Загляните в любой посредственный журнал: они уже сотню лет забиты подобными верными и бесполезными утверждениями "об одном свойстве одного решения одного уравнения". Ну теперь такую работу "плохого математика" сможет делать ИИ. Плохо ли это? Не знаю, время покажет. #AI Upd: поправили меня, остался случай n=2. Ну вот и славно:-)

Value Leakage: An LLM's Answers Are Silently Shaped by Its Own Values https://arxiv.org/abs/2607.14345

AutoMem: Automated Learning of Memory as a Cognitive Skill https://arxiv.org/abs/2607.01224

Duck Harness: Winning Solution for ARC-AGI https://tufalabs.ai/research/duck-harness/

Finding the Time to Think: Learning Planning Budgets in Real-Time RL https://arxiv.org/abs/2606.26463

Learning to Replicate Expert Judgment in Financial Tasks https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/

Majorana-Pauli stabilizer codes and duality webs of fermionic topological phases https://arxiv.org/abs/2606.25048

Verifying Wait-Freedom for Concurrent Higher-Order Programs https://drops.dagstuhl.de/entities/document/10.4230/LIPIcs.ECOOP.2026.20

Revisiting Regularized Policy Optimization for Stable and Efficient Reinforcement Learning in Two-Player Games https://arxiv.org/abs/2602.10894