Анализ данных (Data analysis)
Ir al canal en Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Mostrar más
Red:📈 Análisis del canal de Telegram Анализ данных (Data analysis)
El canal Анализ данных (Data analysis) (@data_analysis_ml) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 50 183 suscriptores, ocupando la posición 2 651 en la categoría Tecnologías y Aplicaciones y el puesto 12 442 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 50 183 suscriptores.
Según los últimos datos del 13 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 38, y en las últimas 24 horas de -3, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.17%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.45% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 5 608 visualizaciones. En el primer día suele acumular 3 238 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 22.
- Intereses temáticos: El contenido se centra en temas clave como llm, контекст, openai, архитектура, deepseek.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 14 julio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
50 183
Suscriptores
-324 horas
-677 días
+3830 días
Archivo de publicaciones
DeepSeek собрали гайд по подключению своих моделей к coding tools
Полезная находка для тех, кто хочет использовать DeepSeek не в отдельном чате, а прямо внутри привычных инструментов.
В репозитории есть инструкции для:
* Claude Code
* Cline
* Codex
* GitHub Copilot
* Cherry Studio
* Crush
* OpenCode
* Qwen Code
* DeepSeek-TUI
* других agent/coding-assistant инструментов
Каждый гайд проходит базовый путь: установка, конфиг, первый запуск.
Идея простая: можно быстро подключить DeepSeek-V4-Pro или V4-Flash к своему рабочему процессу и проверить, насколько хорошо они тянут агентное кодинг-окружение.
github.com/deepseek-ai/awesome-deepseek-agent
⚡️ Демис Хассабис обычно не из тех, кто разгоняет хайп вокруг AGI.
Он годами был скорее умеренным голосом в индустрии: осторожные прогнозы, меньше громких обещаний, больше науки и проверки результатов. Поэтому его новый текст звучит особенно сильно.
Хассабис пишет, что AGI нельзя сравнивать с интернетом или смартфонами. По масштабу это ближе к электричеству или огню. Технология, которая меняет не отдельную индустрию, а саму логику развития цивилизации.
По его оценке, эффект может быть в десять раз больше промышленной революции и пройти в десять раз быстрее.
Да, AGI может резко ускорить медицину, физику, биологию, материалы, энергетику. Но Хассабис прямо говорит и о другой стороне: киберриски уже реальны, дальше могут появиться угрозы в био- и других чувствительных областях, а отдельная проблема - агентные системы, которые становятся всё автономнее.
Гонка за возможностями идёт быстрее, чем наше понимание того, как это безопасно контролировать.
Когда человек уровня Хассабиса говорит, что нужна серьёзная регуляторная инфраструктура уже в ближайшие годы, это звучит совсем иначе, чем очередной пост про сингулярность.
https://x.com/Machinelearrn/status/2076985021752082689
🐠 Sakana AI показали интересный переход от красивых симуляций к физическому прототипу распределённого интеллекта.
В работе Smart Cellular Bricks используются простые кубические модули. В каждом модуле работает одна и та же небольшая нейросетевая клеточная модель. У блока нет координат, нет общей карты конструкции и нет центрального управляющего узла. Он обменивается сигналами только с соседними блоками, к которым подключён физически.
За счёт этих локальных обменов вся конструкция постепенно определяет, какую форму она образует, где находится повреждение и каких блоков не хватает для восстановления.
Авторы задаются вопросом - можно ли обученные локальные правила перенести из симуляции в реальное железо. В симуляторе связь идеальная, модули не отваливаются, задержки контролируемые. В физическом прототипе всё в разы сложнее: шум, сбои контактов, ограничения электроники, неполная информация и ошибки передачи.
Одна и та же модель внутри каждого блока позволяет системе получать глобальное поведение без глобального наблюдателя. Отдельный модуль ничего не “понимает” про всю фигуру, но сеть модулей в целом сходится к правильной интерпретации формы.
Такие системы могут быть полезны в модульной робототехнике, самодиагностирующихся конструкциях, адаптивных материалах и инфраструктуре, где централизованный контроль слишком дорогой или ненадёжный.
Работа пока исследовательская, но направление выглядит сильным. ИИ здесь живёт не в одном большом агенте, а распределяется по множеству простых физических элементов, которые вместе начинают вести себя как единая адаптивная система.
Blog: https://sakana.ai/smart-cellular-bricks
Paper: https://nature.com/articles/s41467-026-75166-7
Qwythos-9B-v2 вышел, и это скорее не апгрейд ради бенчмарков, а фикс главной боли
У модели оставили глубокое reasoning-поведение, но почистили самый неприятный баг: зацикливание при greedy decoding упало с 6.7% до 0%.
Также вернули MTP head, поправили identity-behavior и сохранили 1M context через YaRN.
По сути, v2 - это более стабильный Qwythos: не «новая магия», а hygiene release, где модель меньше ломается в реальном использовании.
Из заметного:
-
MMLU CoT - 83.8%
- GSM8K - 93.6%
- ARC-Challenge - 96.4%
- GPQA-diamond - 49.0%
- HumanEval pass@1 - 77.4%
Лицензия - Apache-2.0.
Модель построена вокруг Qwen3.5-9B и рассчитана на long-context reasoning, код, анализ и локальные эксперименты.
https://huggingface.co/empero-ai/Qwythos-9B-v2
Сегодня заканчивается доступ к Fable 5 в подписочном плане, вероятно, на довольно долгий срок.
Anthropic дала понять, что в будущем планирует вернуть Fable в подписку, но конкретную дату не назвала.
Пока хорошей альтернативой выглядит GPT-5.6 Sol, хотя между ними, конечно, есть заметные различия. Но, как я уже несколько раз говорил, лимиты у 5.6 огромные, поэтому сейчас использовать его всё равно получается не так свободно.
В любом случае 5.6 стал крупным релизом и явно дал OpenAI серьёзный рывок относительно Anthropic.
Теперь вопрос в том, как ответит Anthropic. Моя догадка такая:
они очень скоро выпустят Opus 5 как более дешёвую альтернативу Fable 5, надеясь этим успокоить пользователей.
+1
⚡️ Полезный список лучших инструментов, чтобы запускать мощные LLM полностью бесплатно и локально на своём ноутбуке. Сейчас это №1 в трендах GitHub.
1. AnythingLLM
All-in-one workspace для чата с документами и создания агентов
http://github.com/Mintplex-Labs/anything-llm
2. KoboldCpp
Лёгкий инструмент, особенно хорош для creative writing и сценариев с персонажами
http://github.com/LostRuins/koboldcpp
3. llama.cpp
Базовый движок. Очень эффективный и запускается почти на любом железе
http://github.com/ggml-org/llama.cpp
4. Open WebUI
Удобный веб-интерфейс в стиле ChatGPT, отлично работает с Ollama
http://github.com/open-webui/open-webui
5. GPT4All
Простое desktop-приложение со встроенным чатом по документам
http://github.com/nomic-ai/gpt4all
6. LocalAI
OpenAI-compatible API, который работает на разном железе и поддерживает много backend’ов
http://github.com/mudler/LocalAI
7. vLLM
Быстрый inference engine, когда нужны более быстрые ответы и работа в масштабе
http://github.com/vllm-project/vllm
VLM уже умеют искать «интересное». Но пока плохо умеют уходить от того, что уже нашли.
Sakana AI вместе с MIT и NYU проверили, можно ли повторить PicBreeder на агентах с визуально-языковыми моделями.
В оригинальном PicBreeder не было целевой картинки. Люди просто выбирали изображения, которые казались им перспективными, и передавали их дальше. Через много поколений из случайных форм появлялись лица, животные, машины, черепа и другие неожиданные структуры.
Это важная идея из книги Кеннета Стэнли «Иллюзия целей»: сильные открытия часто рождаются не из оптимизации метрики, а из открытого поиска.
В новом эксперименте VLM-агенты работали похожим образом:
- смотрели общий архив изображений
- выбирали то, что считают интересным
- развивали выбранные варианты
- публиковали новые изображения
- оценивали работы других агентов
Им не давали целевую картинку. Не давали функцию прогресса. Не говорили, к чему надо прийти.
VLM-агенты действительно находят визуальные и семантические зацепки. Если добавить агентов с разными «личностями», архив становится заметно шире и по разнообразию приближается к человеческому.
Но главный провал тоже виден: модели слишком быстро фиксируются на найденном мотиве. Вместо резкого смещения в новую область они часто начинают улучшать уже знакомую форму, стиль или смысл.
Человек в PicBreeder может увидеть случайную странность и превратить её в новое направление. VLM чаще видит паттерн и начинает его эксплуатировать.
Похоже, для open-ended discovery мало уметь распознавать novelty. Нужно ещё уметь менять собственный критерий интересного, бросать локально удачную ветку и сохранять слабые сигналы, которые пока не выглядят полезными.
Блог: pub.sakana.ai/picbreeder-vlm
Статья: arxiv.org/abs/2605.23908
Всё, что вы всегда хотели знать о математике* (*Но даже не знали, о чём спрашивать)
Путешествие с гидом по миру абстрактной математики, теорем и написания доказательств в 698 страниц!
https://www.math.cmu.edu/~jmackey/151_128/bws_book.pdf
Если надоело писать в стол, то вот повод проверить свои знания на практике: Ozon Tech завершает регистрацию на онлайн-хакатон «Робозон» - призовой фонд 15 млн ₽.
Отличная возможность для тех, кто работает с компьютерным зрением, робототехникой и системами автоматической сортировки.
Почему это интересно:
«Интеллектуальная роботизированная система сортировки товаров» - это детекция и классификация объектов, трекинг на конвейере, планирование захвата, управление роборуками и интеграция CV+ROS.
Здесь можно применить Python, OpenCV, PyTorch/Detectron2, ROS/ROS2, симуляторы (Isaac Gym, CoppeliaSim), а также системы реального времени для управляющего ПО.
Задача предполагает и софт, и механику - отличный кейс для портфолио и практики с реальными данными.
Коротко о формате и задачах:
Даты: Робозон пройдёт с 2 июля по 12 сентября.
Формат: два этапа. Первый (отборочный) - три задачи по автоматизации сортировочных процессов в онлайне в течение двух месяцев. Второй - финал на конференции E-CODE: защита проектов и награждение; дорога и проживание финалистов оплачиваются Ozon Tech.
Темы задач: имитационное моделирование движения товаров; конструкция автоматизированного сортировщика; интеллектуальная роботизированная система сортировки товаров.
Участие: индивидуально или команда до 7 человек.
Регистрация до 11 июля по ссылке.
⚡️ OpenAI закроет браузер Atlas 9 августа
Это первый случай, когда OpenAI отказывается от самостоятельного продукта ради унификации своей экосистемы.
Теперь возможности Atlas станут частью десктопных версий ChatGPT и Codex. Обновленное приложение ChatGPT уже получило встроенный инструмент для веб-серфинга, а ИИ-агенты научились напрямую взаимодействовать с элементами страниц.
Автоматического переноса пользовательских данных не будет. До закрытия сервиса всю историю, закладки и важные вкладки придется экспортировать вручную.
@ai_machinelearning_big_data
#news #ai #ml
Google показала SensorFM — foundation model для данных с носимых устройств.
Обучение: 1+ трлн минут сигналов от 5 млн пользователей Fitbit и Pixel Watch.
Модель работает с пульсом, сном, SpO₂, HRV, движением, температурой кожи и другими метриками.
Главное: одна базовая модель переносится на 35 задач по здоровью и в 34 из 35 случаев обходит baseline на ручных признаках.
По сути, часы становятся интерфейсом к персональной модели здоровья.
https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/
Лайвстрим OpenAI: **
Заголовок - «Представляем следующую главу ChatGPT»**
https://openai.com/ru-RU/live/
Claude получил функцию **Reflect** — своего рода “Wrapped” для того, как вы используете AI.
В настройках Claude теперь можно посмотреть отчёт за 1, 3, 6 или 12 месяцев:
* о чём вы чаще всего говорили с Claude
* какие задачи делегировали
* когда чаще всего работали
* как именно вы используете AI в жизни и работе
Reflect помогает понять, где Claude реально усиливает мышление, а где вы, возможно, слишком часто отдаёте ему задачи, которые лучше оставить себе.
Внутри также можно настроить quiet hours и напоминания сделать перерыв.
Функция пока в beta, доступна Free, Pro и Max пользователям с включённой Memory.
Инкогнито-чаты и файлы из подключённых инструментов в отчёт не попадают.
https://claude.ai/settings/reflect
🖥 GPT-5.6, судя по всему, тестировали уже два месяца.
Из-за этого слухи о выходе GPT-6 в ближайшие 4–6 недель выглядят заметно правдоподобнее.
Если GPT-5.6 действительно несколько месяцев был в early access и уже завершил обучение, то логичный вывод такой: OpenAI могла использовать это время для разработки новой модели уровня Mythos через новое pre-training поколение.
Именно этой моделью может стать GPT-6.
GPT-5.6 уже давно в использовании, а GPT-6, похоже, приближается.
https://x.com/timneutkens/status/2074887239562113069
🗞️ В статье Google DeepMind “Intelligent AI Delegation” есть хороший разбор того, как правильно отдавать задачи AI.
Речь не о том, чтобы просто написать модели «сделай это» и надеяться на удачу.
Авторы предлагают смотреть на делегирование как на цепочку решений:
стоит ли вообще отдавать задачу AI, как её объяснить, какой уровень полномочий дать и как потом проверить результат.
Сейчас многие системы держатся на жёстких правилах, которые ломаются при неожиданных сбоях. Исследователи предлагают более гибкий подход: динамический рынок, где агенты могут «торговаться» за задачи через smart contracts.
Чтобы это работало безопасно, нужны строгий мониторинг и криптографические доказательства: система должна подтверждать корректность работы, не раскрывая приватные данные.
Вместо простых рейтингов агенты смогут использовать проверяемые цифровые сертификаты, которые показывают их реальные навыки.
Делегирование должно быть живым процессом- полномочия и ответственность могут меняться по ходу работы. Если ситуация изменилась или агент ошибся, система должна не разваливаться, а уметь передать задачу дальше, откатиться или включить запасной сценарий.
Отдельно важна тема доверия.
Фреймворк оценивает сложность задачи и прошлые результаты агента. Это помогает избежать двух ошибок:
* over-delegating - когда AI дают задачу, к которой он ещё не готов
* under-delegating, когда человек делает всё сам, хотя AI мог спокойно справиться
Результат тоже нельзя принимать на веру.
Система должна проверять ответ, учитывать уверенность агента и заранее иметь план, если он ошибётся. Для реальных рабочих процессов это критично: одна слепо принятая ошибка может потянуть за собой цепочку проблем.
Авторы также разбирают сценарий, где один AI-агент передаёт задачу другому. В таком случае система должна отслеживать, кто отвечает за результат, какие полномочия переданы и где находится контроль.
arxiv.org/abs/2602.11865
+1Yandex Cloud даёт 50% скидку на сертификацию для инженеров данных
🔵🟦🔵 даёт 50% скидку на сертификацию для инженеров данных
Если вы работаете с загрузкой, хранением, обработкой данных и ETL/ELT-процессами, можно подтвердить навыки официальной сертификацией Yandex Cloud.
Доступны два экзамена:
1⃣ Yandex Cloud Certified Data Engineer
Для инженеров данных, которые используют платформу Yandex Cloud. Экзамен проверяет работу с загрузкой и приёмом данных, хранением, обработкой, качеством данных, оркестрацией, метаданными, мониторингом, безопасностью и управлением ресурсами.
⏩Ссылка
2⃣ Yandex Cloud Certified Lakehouse Data Engineer
Для специалистов, которые проектируют и разворачивают Lakehouse-решения в Yandex Cloud. В фокусе архитектура Lakehouse, трансформация данных, пайплайны, хранение, обработка, метаданные, мониторинг и безопасность.
⏩Ссылка
До 25 сентября 2026 включительно можно зарегистрироваться на сертификацию со скидкой 50%.
Экзамен проходит онлайн с прокторингом: запись с камеры и автоматическая фиксация возможных нарушений помогают подтвердить, чтобы все было честно.
Хороший способ проверить себя, закрыть пробелы и получить понятное подтверждение навыков работы с data-инфраструктурой в Yandex Cloud ✅
MiniMax готовит открытую модель на 2,7 трлн параметров, релиз может состояться уже в III квартале.
Она станет крупнейшей среди китайских ИИ-моделей и будет более чем в 6 раз больше текущей модели MiniMax M3.
Волна открытых ИИ-моделей из Китая только набирает обороты. Похоже, самое интересное ещё впереди.
https://www.theinformation.com/briefings/exclusive-chinas-minimax-plans-launch-2-7-trillion-parameter-model
Лилиан Венг из Thinking Machines Lab выпустила большой обзор про harness engineering: слой вокруг модели, который отвечает за инструменты, память, оркестрацию, контекст, проверки, циклы обратной связи и выполнение задач.
Менять веса модели дорого, рискованно и медленно. А вот харнесс можно улучшать быстрее: добавлять инструменты, менять workflow, усиливать память, запускать sub-agent’ов, проверять гипотезы и сразу мерить результат.
Отсюда рождается более реалистичный путь к self-improvement: модель не переписывает себя напрямую, а улучшает систему, в которой работает.
Венг разбирает авто-исследование, эволюцию программ и self-improving agents: от The AI Scientist до ShinkaEvolve и Darwin Gödel Machine. Общая логика в том, что агент предлагает изменение, запускает эксперимент, получает оценку и оставляет то, что реально улучшает результат.
Но слабые места тоже есть: плохие evals, схлопывание разнообразия, reward hacking и риск, что агент научится ломать метрику, а не решать задачу.
Ближайший RSI может быть не «модель сама переписала мозг», а «модель научилась улучшать свой рабочий станок».
・The AI Scientist (Nature 2026)： https://nature.com/articles/s41586-026-10265-5
・ShinkaEvolve： https://sakana.ai/shinka-evolve/
Anthropic запустила программу Claude for Open Source.
Теперь разработчики и мейнтейнеры open source-проектов могут получить Claude Max 20x бесплатно на 6 месяцев.
Что дают:
- Claude Max 20x без оплаты на полгода
- доступ к Claude Code и самым мощным моделям Claude
- программа рассчитана на активных мейнтейнеров и ключевых участников open source
Anthropic планирует принять до 10 000 участников. Подать заявку могут разработчики, которые активно поддерживают или развивают значимые open source-проекты. (Claude)
https://claude.com/contact-sales/claude-for-oss
Стоп. Китай теперь делает с США то же самое, что Anthropic, только в обратную сторону?
То есть закрывает американским компаниям доступ к китайским frontier-моделям?
Похоже, уверенность Китая растёт с каждым днём.
Судя по всему, там считают, что больше не нуждаются в дистилляции западных моделей в таких масштабах, чтобы развивать передовой ИИ.
Теперь их больше беспокоит обратное: что США могут украсть уже их интеллект.
https://finance.yahoo.com/technology/ai/articles/exclusive-beijing-looking-curbing-overseas-101644780.html
