Анализ данных (Data analysis)
Ir al canal en Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Mostrar más
📈 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 51 971 suscriptores, ocupando la posición 2 572 en la categoría Tecnologías y Aplicaciones y el puesto 11 791 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 51 971 suscriptores.
Según los últimos datos del 11 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 579, y en las últimas 24 horas de 16, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.39%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 8.64% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 5 921 visualizaciones. En el primer día suele acumular 4 493 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 242.
- 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 12 noviembre, 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.
51 971
Suscriptores
+1624 horas
+557 días
+57930 días
Archivo de publicaciones
Google показала AI-агентов, которые могут менять собственные инструменты после сбоев
В Google Cloud описали Project Chrysalis - архитектуру на Gemini Agent Platform, где агент не только ищет причину проблемы, но и адаптирует свою работу по ходу инцидента.
Например, при перегрузке сервиса агент может:
- найти источник сбоя;
- сгенерировать новый инструмент или патч;
- проверить его через политики безопасности;
- применить без перезапуска;
- оценить, помогло ли изменение;
- сохранить удачное решение в память.
Отдельно система умеет менять не только инструменты, но и структуру multi-agent системы. Более рискованные изменения требуют подтверждения человека.
Google называет такой подход governed self-evolution - агент развивается сам, но внутри заданных ограничений и проверок.
https://developers.googleblog.com/architecting-governed-self-evolving-ai-agents-on-gemini-agent-platform/**Google показала AI-агентов, которые могут менять собственные инструменты после сбоев**
В Google Cloud описали Project Chrysalis - архитектуру на Gemini Agent Platform, где агент не только ищет причину проблемы, но и адаптирует свою работу по ходу инцидента.
Например, при перегрузке сервиса агент может:
- найти источник сбоя;
- сгенерировать новый инструмент или патч;
- проверить его через политики безопасности;
- применить без перезапуска;
- оценить, помогло ли изменение;
- сохранить удачное решение в память.
Отдельно система умеет менять не только инструменты, но и структуру multi-agent системы. Более рискованные изменения требуют подтверждения человека.
Google называет такой подход governed self-evolution - агент развивается сам, но внутри заданных ограничений и проверок.
https://developers.googleblog.com/architecting-governed-self-evolving-ai-agents-on-gemini-agent-platform/
🔎 Xiaomi открыла модель для разбора документов размером всего 0,8 млрд параметров
Xiaomi-OCR-0 объединяет распознавание текста, разбор структуры документа, извлечение ключевой информации и ответы на вопросы по содержимому.
То есть задача модели шире обычного «перепечатать текст с картинки»: она помогает превратить документ в данные, с которыми можно работать дальше.
По данным разработчиков:
- 95,24 балла на Real5-OmniDocBench.
- 83,2 балла в среднем на пяти тестах вопросов и ответов с опорой на распознавание текста.
- Первое место среди моделей меньше 1B параметров по качеству разбора документов на OmniDocBench v1.6.
В открытый доступ выложили веса, код инференса, интерактивное демо, MCP-сервис и Agent Skill. Последние два компонента позволяют подключать обработку документов к рабочим процессам ИИ-агентов.
Компактный размер делает модель интересной для собственной инфраструктуры. Но качество на конкретных сканах, языках и сложных таблицах стоит проверять отдельно: результаты бенчмарков не гарантируют точность на любых документах.
🤗 Huggingface: https://huggingface.co/xiaomi-research/Xiaomi-OCR-0
🔗 GitHub: https://github.com/xiaomi-research/Xiaomi-OCR-0
📄 Demo: https://huggingface.co/spaces/loongwayX/Xiaomi-OCR-0-demo #XiaomiAI #OCR #OpenSource
Более $2 трлн капитализации под угрозой: инвесторы всё сильнее сомневаются в цене ИИ-гонки.
По данным Reuters, Nasdaq 100 потерял свыше 5,8% с начала октября. Если падение сохранится к закрытию месяца, совокупное снижение стоимости компаний индекса превысит $2 трлн.
Масштаб расходов объясняет тревогу рынка. По оценке JPMorgan, Amazon, Alphabet, Meta, Oracle и Microsoft могут потратить на ИИ за один 2026 год столько же, сколько вместе потратили за весь период с запуска ChatGPT в ноябре 2022-го.
Расходы ускоряются, а инвесторы хотят понимать, когда новые дата-центры и вычислительные мощности начнут приносить сопоставимую отдачу.
Падение капитализации не означает, что компании потеряли $2 трлн со счетов. Это снижение рыночной стоимости акций. Но оно показывает, насколько резко рынок может пересмотреть цену ожиданий от ИИ.
https://www.reuters.com/business/media-telecom/nasdaq-faces-2-trillion-wipeout-october-ai-spending-fears-deepen-2026-10-30
ИИ-бум начал бить по тем, кто его финансирует. Акции Intel, Reddit и Amazon резко упали после отчётов.
По данным Fast Company, на премаркете 30 октября:
- Intel теряла около 25% после слабого прогноза на следующий квартал.
- Reddit - почти 20% на фоне заметного снижения переходов из поиска Google.
- Amazon - около 6% после отчёта, показавшего отрицательный свободный денежный поток за последние 12 месяцев.
Накануне акции Alphabet упали примерно на 12%.
Причины у компаний разные, но инвесторов всё сильнее волнует стоимость ИИ-гонки. Amazon продолжает наращивать инфраструктурные расходы, Intel сталкивается со слабым рынком ПК и производственными ограничениями. Reuters связывает распродажу с сомнениями в сроках окупаемости огромных вложений в ИИ.
Для Reddit проблема другая: поисковая выдача с готовыми ИИ-ответами может оставлять пользователю меньше причин переходить на сайт. Fast Company рассматривает снижение поискового трафика именно в этом контексте.
https://www.fastcompany.com/91632937/tech-stocks-down-intel-reddit-amazon-ai-reckoning-here
Claude нашёл 62 уязвимости в Chrome и научился получать root-доступ к Linux-серверам без авторизации.
Anthropic опубликовала результаты эксперимента с внутренней моделью Claude, которая самостоятельно исследовала реальное ПО и создавала рабочие цепочки атак.
Вот что получилось:
Chrome. Claude обнаружил уязвимости в V8, обошёл несколько уровней изоляции и добился выполнения произвольного кода за пределами песочницы браузера. Google исправила 62 уязвимости, включая 13 способов выхода из sandbox.
Safari. Модель построила цепочку, позволяющую вредоносному сайту обходить Same-Origin Policy, читать cookies, историю браузера и получать доступ к данным других сайтов, где пользователь авторизован.
Android. Claude нашёл способ извлекать фотографии и личные файлы с заблокированного Pixel 9 через USB без подтверждения владельца.
Windows. Обнаружил ошибку в реализации QUIC на уровне ядра. Несколько специально сформированных сетевых пакетов могли удалённо вызвать падение сервера.
Claude нашёл race condition в сетевом стеке ядра и собрал zero-click эксплойт. Атакующему достаточно отправлять пакеты серверу с включённым Multipath TCP, чтобы получить выполнение команд от root.
В демонстрации на Linux взлом занял около 53 минут.
Модель анализировала бинарники через Ghidra, обходила защитные механизмы и объединяла несколько ошибок в полноценные атаки.
Для масштабирования исследователи запускали множество агентов параллельно, каждый из которых искал уязвимости своей стратегией.
Все описанные уязвимости были переданы разработчикам и исправлены.
https://www.anthropic.com/research/discovering-vulnerabilities-with-claude
💲 DeepSeek привлекла почти $16 млрд. Среди инвесторов - китайские технологические гиганты и государственные структуры, сообщает The Information.
Среди крупнейших участников раунда - Tencent и производитель аккумуляторов CATL. Reuters также называло Meituan, Geely, Midea и NetEase.
Почему DeepSeek понадобилось столько денег? По пересказу публикации, компания удвоила размер раунда прежде всего из-за роста цен на ускорители NVIDIA Blackwell на чёрном рынке. Государственные инвесторы обеспечили 27% привлечённых средств.
Даже если алгоритмы позволяют экономнее использовать вычисления, оборудование всё равно нужно покупать. А ограничения доступа к нему могут резко увеличить расходы.
https://www.theinformation.com/articles/behind-deepseeks-16-billion-funding-chinese-tech-titans-state-players
Anthropic расширяет бесплатный доступ к Claude для научных исследований
Программа AI for Science теперь охватывает 20 научных фондов, институтов и исследовательских групп. Они получат кредиты Claude для собственных проектов или распределения среди учёных.
Среди участников - Simons Foundation, Wellcome Sanger Institute, EMBL и Space Telescope Science Institute, который обеспечивает научную работу телескопов Hubble и James Webb.
Поддержка затронет конкретные задачи:
- FlyWire - изучение нейронных связей мозга.
- LEAP - улучшение климатических моделей.
- AstroPath - исследование опухолей на уровне отдельных клеток.
- gnomAD - анализ генетических вариаций и редких заболеваний.
- Tau Ceti - создание библиотеки математики с проверяемыми в Lean доказательствами.
Учёные используют Claude для формулирования гипотез, планирования экспериментов, анализа данных и подготовки результатов.
Часть проектов должна дать открытые датасеты, программные инструменты и стандарты для научного сообщества. Многие партнёрства пока находятся на ранней стадии.
https://www.anthropic.com/news/ai-for-science-expands-foundations-research-institutions
У Binance вывели криптовалюту на миллиарды долларов. И самое интересное здесь механизм атаки.
29 октября злоумышленники получили контроль над горячими кошельками биржи. По предварительным оценкам, отток средств составил $5,6–5,8 млрд в ETH, BTC, USDT и других активах.
Для одного из кошельков использовали EIP-7702 - механизм Ethereum, позволяющий обычному кошельку временно выполнять код смарт-контракта.
Как проходила атака:
1. Хакер подготовил вредоносный контракт, который автоматически переводил средства на подконтрольный адрес.
2. Через EIP-7702 отправил пакет из 50 подписанных авторизаций с последовательными nonce, чтобы попасть в актуальное состояние кошелька Binance 14.
3. Одна авторизация сработала. Кошелёк начал выполнять код злоумышленника.
4. За одну транзакцию из Binance 14 вывели 167 464 ETH и десятки других токенов.
5. Спустя 24 секунды другой кошелёк Binance 16 перевёл ещё 28 005 ETH на адрес атакующего.
Самый интересный момент: EIP-7702 требует действительной криптографической подписи владельца кошелька. Просто подделать такую авторизацию нельзя.
Это указывает на компрометацию механизма подписания транзакций, а не на обычную ошибку в смарт-контракте.
Binance предварительно связывает инцидент с компрометацией ноутбука DevOps-инженера, но утечку приватных ключей биржа пока не подтвердила.
Часть средств удалось заблокировать. Tether, Circle и другие эмитенты заморозили активы на миллиарды долларов.
Парадокс криптовалют: децентрализованная инфраструктура позволила переместить миллиарды за минуты, но централизованное управление стейблкоинами помогло остановить часть похищенных средств.
Инцидент показывает, насколько опасна компрометация инфраструктуры подписания транзакций, даже если сами смарт-контракты работают без ошибок.
💥️️️️️️ Tencent открыла Hy-Nomas - модель, которая генерирует мир и позволяет управлять происходящим
Вместо одного запроса на готовый ролик - последовательные команды и управление камерой. Hy-Nomas создаёт продолжение сцены, учитывая текущие инструкции и сохранённую историю.
В основе - диффузионная модель на 8 млрд параметров. Отдельный компонент переводит запрос пользователя и историю взаимодействий в условия для следующего видеофрагмента.
Одна из задач архитектуры - разделять постоянный контекст и временные действия: описание мира сохраняется между фрагментами, а команда действует в предназначенный для неё момент.
Доступны веса модели и Hy-Nomas-Bench: 280 тестовых случаев для проверки текстовых команд, навигации камерой, сочетания обоих способов управления и пространственной памяти.
Команда также опубликовала сравнение с примерами Genie 4. Это демонстрация разработчиков, а не независимый вердикт о превосходстве модели.
Демо: https://hy-nomas.hy.tencent.com/
Модель: https://huggingface.co/tencent/Hy-Nomas
Бенчмарк: https://huggingface.co/datasets/tencent/Hy-Nomas-Bench
Технический отчёт: https://arxiv.org/abs/2610.36729
OpenAI удвоила лимиты для платных подписчиков. Причём без повышения стоимости.
Компания объявила об увеличении лимитов использования сразу в 2 раза для нескольких тарифов:
- ChatGPT Pro $100
- ChatGPT Pro $200
- ChatGPT Pro $500
- ChatGPT Business Premium
Ещё один приятный бонус: для Pro $200 отменили запланированное снижение лимитов в ChatGPT Work и Codex. Пользователи сохранят прежние условия вместо ожидаемого урезания.
Изменения уже вступили в силу, ничего дополнительно активировать не требуется.
По сути, подписчики получают вдвое больше возможностей для работы с ИИ за те же деньги.
Источник:
https://x.com/thsottiaux/status/2115850175868727621
Вышел PyTorch 2.15: быстрее LLM на Blackwell и Apple Silicon, больше контроля над распределённым обучением
В релиз вошли 3117 коммитов от 583 участников.
Что обновили:
- Переписанный NCCL-бэкенд включён по умолчанию. При зависании коллективных операций диагностический «чёрный ящик» сохраняет данные для разбора.
- Новый транспорт NIXL позволяет передавать данные между процессами без создания process group, с поддержкой захвата передач в CUDA Graphs.
- FSDP2 и pipeline parallelism получили более гибкое управление памятью, точностью параметров и перекрытием коммуникаций с вычислениями.
- NVIDIA Blackwell: NVGEMM ускоряет декодирование LLM в формате NVFP4, сокращая отдельные запуски ядер.
- Apple Silicon: добавлены FP8 и публичный API
torch.mps.Stream. В приведённых тестах на M3 Ultra пропускная способность MoE-декодирования выросла в 1,32–1,34 раза.
- Платформы: CUDA 13.2 в стандартных сборках, дополнительные сборки с CUDA 13.4 и ROCm 10.0, поддержка torch.compile на Python 3.15.
Перед обновлением: Python 3.10 больше не поддерживается, а для GPU-ускорения через MPS требуется macOS 15+. Часть новых API пока нестабильна.
5 ноября в 22:00 МСК команда проведёт онлайн-сессию вопросов и ответов по релизу. Регистрация - в статье.
https://pytorch.org/blog/pytorch-2-15-release-blog/
Команда AI VK в новой статье на Хабре рассказала, как развивает Discovery-платформу — единую инфраструктуру для рекомендаций, поиска и рекламы.
Продукты используют общий стек, а удачную оптимизацию можно применить сразу в нескольких сервисах. Экономию дали перенос части вычислений на GPU, переиспользование признаков, кэширование кандидатов и сокращение лишних копирований данных.
- Запуск нового рекомендера занимает теперь один день
- Около 90% задач ранжирования решаются изменением конфигурации, без написания нового кода.
- Команды получили общий доступ к нейросетевому ранжированию на GPU
- Время просмотра главной VK Видео увеличилось на 20%, время в ленте ВКонтакте - на 11%, а в VK Клипах - на 22%
📄️️️️️️ Agent Harness Course 2026 - как построить своего AI-агента с нуля
Пошаговый курс на ~8 недель (1–2 часа в день): от одного запроса к LLM до агента с инструментами, памятью, субагентами, защитой и тестами - и финального проекта.
Свой учебный харнес на чистом Python без единой зависимости, 7 запускаемых уроков, финальный проект, 19 тестов и разбор архитектуры настоящего open-source агента. Ai Ml — материал переработан, структурирован и дополнен кодом, схемами и справочниками.
Курс не учит «пользоваться ещё одним фреймворком». Он показывает, из чего сделан любой агент — Claude Code, Codex, Cursor, Devin, LearnHarness — и даёт собрать каждую деталь руками. После этого любой фреймворк читается за вечер, а любой баг агента - объясним.
https://github.com/justxor/agent-harness-course/
415 страниц документа Anthropic перед IPO обработали на Mac – локальной OCR-моделью размером около 1,2 ГБ.
По сообщению авторов демонстрации, MiniCPM-OCR 1.0 от OpenBMB прошла весь документ S-1 на MacBook с M5 Max, затрачивая примерно четыре секунды на страницу.
При таком темпе обработка занимает около 28 минут. По их словам, данные не покидали ноутбук.
Модель распознаёт текст, таблицы и формулы, преобразуя страницы в машиночитаемый формат для дальнейшего поиска и анализа.
Речь именно об OCR-разборе документа: распознать 415 страниц не означает проверить финансовые показатели или сделать инвестиционный анализ.
GGUF-сборки для локального запуска:
https://huggingface.co/AtomicChat/MiniCPM-OCR-1.0-GGUF
$25 тысяч за проверку одного репозитория: ИИ-поиск уязвимостей становится новой крупной статьёй расходов компаний.
По данным The Information, примерно столько UiPath платит за одно сканирование кода моделью Anthropic Mythos.
Масштаб находок тоже растёт: по словам представителя Palo Alto Networks, 12 компаний за месяц обнаружили более 37 тысяч потенциальных уязвимостей в открытом ПО. Месяцем ранее во всём мире было зарегистрировано около 1500.
Эти цифры нельзя сравнивать напрямую: не все новые находки подтверждены, и речь не только о критических ошибках.
Теперь компаниям нужны ресурсы на проверку и исправление:
- Bank of America нанимает 1000 подрядчиков для устранения проблем в ПО.
- Goldman Sachs обсуждает перспективу тратить на ИИ-безопасность столько же или больше, чем на ИИ-инструменты для программирования.
https://www.theinformation.com/articles/nobodys-ready-ai-found-bugs-spark-corporate-security-spending-spree
Repost from Machinelearning
Google представила Gemini 4 Carbon
Новая флагманская модель заняла первое место в Artificial Analysis Intelligence Index v5.0 с результатом 59 баллов. Основной упор сделали на кибербезопасность, программирование и длительную автономную работу ИИ-агентов.
Результаты бенчмарков:
- SEC-bench Pro - 88,2%: поиск реальных уязвимостей в программном обеспечении.
- ExploitGym - 54,8%: проверка возможности эксплуатации найденных уязвимостей.
- CWE-bench - 71%: автоматическое исправление уязвимого кода.
- WebDev Arena - 1769 Elo: четвёртое место в разработке веб-интерфейсов.
Что ещё интересного:
- Автономная работа несколько дней. Внутри Google модель решала сложные инженерные задачи, находила причины ошибок и исправляла их в больших кодовых базах.
- В 2 раза лучше Gemini 4 Argon генерирует безопасный код по внутренним тестам Google.
- В 10 раз эффективнее другой передовой модели создаёт качественные патчи для Chrome, по оценке команды браузера.
- На 80% меньше серьёзных нарушений инструкций при работе с кодом.
- Вдвое меньше необоснованных утверждений по сравнению с Argon.
Отдельно Google заявляет, что Carbon успешно отразила все проверенные атаки через prompt injection в одном из бенчмарков.
Доступ пока ограничен: сначала модель получат специалисты по кибербезопасности. Массовый релиз состоится позднее.
Стоимость API после запуска составит $2 за миллион входных и $10 за миллион выходных токенов на вводном тарифе.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
+2
🔥️️️️️️ GeForce можно ускорить в ИИ-задачах без замены видеокарты: появился gpu-unlock
Автор проекта заявляет, что инструмент снимает ограничение производительности Tensor Cores в операциях FP16, BF16 и TF32 с накоплением в FP32.
Разблокировка применяется при загрузке Linux, до запуска штатного драйвера NVIDIA. Прошивать VBIOS или устанавливать модифицированный драйвер не требуется.
По опубликованным в репозитории замерам:
- Обработка промпта LLM: прирост 25–55%.
- Дообучение моделей: 25–50%.
- Генерация изображений: 30–55%.
- Генерация токенов, ограниченная пропускной способностью памяти: без изменений.
Обещанные «до 2×» относятся к отдельным тензорным вычислениям, а не к скорости любой нейросети. Для квантованных GGUF в llama.cpp и Ollama указан более скромный выигрыш: 0–15%.
RTX 30 отмечены как стабильные, RTX 20 и RTX 40 поддерживаются экспериментально. RTX 50 не поддерживаются. Проект работает в Linux.
Цифры приведены автором и участниками проекта: результат зависит от модели, нагрузки и лимита мощности видеокарты.
https://github.com/Zagitta/gpu-unlock
