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 50 539 suscriptores, ocupando la posición 2 565 en la categoría Tecnologías y Aplicaciones y el puesto 12 188 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 50 539 suscriptores.
Según los últimos datos del 28 agosto, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 146, y en las últimas 24 horas de 1, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 11.45%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 9.25% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 5 785 visualizaciones. En el primer día suele acumular 4 675 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 28.
- 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 29 agosto, 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.
50 539
Suscriptores
+124 horas
+387 días
+14630 días
Archivo de publicaciones
🤖 Почему корпоративный ИИ не приносит ожидаемого результата?
Во многих компаниях уже тестируют AI, но вместо пользы получают неточные ответы и «галлюцинации». В большинстве случаев проблема не в модели, а в качестве и доступности данных.
На бесплатном вебинаре эксперты Conteq и Денвик Аналитика покажут, как подготовить данные для корпоративного ИИ и построить архитектуру, которая действительно работает.
Вы узнаете:
• почему данные важнее выбора модели;
• как автоматизировать получение данных из 1С;
• зачем нужен DWH и единый слой корпоративных знаний;
• с чего начать внедрение AI без лишних затрат.
🎁 Всем участникам — полезные материалы, запись вебинара и возможность задать вопросы экспертам.
📅 12 августа, 11:00 (МСК)
💻 Онлайн, участие бесплатное.
👉 Регистрируйтесь на вебинар и начните подготовку данных для ИИ уже сегодня.
Реклама. ООО "ДЕНВИК АНАЛИТИКА". erid: 2Vtzqwno39C
⚡️ Google предлагает переписать теорию игр для эпохи ИИ-агентов
Новая работа исследователей Google показывает неожиданную вещь: рациональные ИИ-агенты могут выбирать сотрудничество даже там, где классическая теория игр предсказывает предательство.
Классический пример - одноразовая «дилемма заключённого». Если два независимых игрока больше никогда не встретятся и не могут договориться, рациональная стратегия обычно ведёт к отказу от сотрудничества.
Но с ИИ всё может работать иначе.
Авторы предлагают рассматривать модель не как полностью независимого игрока, а как часть мира, который она сама пытается предсказать. Если агент видит достаточно признаков того, что другой агент рассуждает похожим образом, его собственное решение становится дополнительной подсказкой:
Если я, рассуждая так, выбираю сотрудничество,
то похожий на меня агент, вероятно, выберет то же самое.
DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены.
Сейчас DeepSeek V4 Flash 0731 стоит всего:
Вход: $0,14 за 1 млн токенов
Выход: $0,28 за 1 млн токенов
сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены
GPT-5.6 решил кубик за 17 секунд, а DeepSeek потратил 27 млн токенов за $0,56
Четырём топовым моделям дали необычный агентный тест: самостоятельно построить в
Three.js интерактивные стенды для кубика Рубика и шахмат, а затем выполнить задания прямо внутри созданных приложений.
В эксперименте участвовали:
- GPT-5.6 Sol;
- DeepSeek V4 Flash 0731;
- Qwen 3.8 Max;
- Kimi K3.
Сначала модели получили одинаковую комбинацию кубика Рубика.
GPT-5.6 Sol решил её за 24 хода и 17 секунд.
DeepSeek справился за 32 хода.
Qwen сдался после 96 ходов, а Kimi - после 207.
Затем каждая модель построила шахматную доску и сыграла белыми против Claude Opus 5 без движка, дебютной базы и подсказок.
Победить Claude не смог никто:
- DeepSeek сдался на 13-м ходу;
- GPT-5.6 Sol - на 19-м;
- Kimi K3 - на 21-м;
- Qwen продержался до 29-го.
По скорости разработки GPT-5.6 разгромил остальных:
GPT-5.6 Sol 16 мин 43 сек
DeepSeek 97 мин 39 сек
Kimi K3 166 мин 09 сек
Qwen 3.8 Max 215 мин 08 сек
DeepSeek $0,557
GPT-5.6 Sol $6,319
Qwen 3.8 Max $10,270
Kimi K3 $16,667
⚡️ Google поняла, что голосовой поиск удвоит её дата-центры - и создала TPU
В начале 2010-х нейросети уже заметно улучшали распознавание речи и изображений. Но запускать их в масштабе Google на обычных процессорах было слишком дорого.
Джефф Дин сделал простую прикидку: если сотни миллионов людей будут разговаривать с Google хотя бы по три минуты в день, для обработки запросов компании может понадобиться примерно вдвое больше дата-центров.
И это только ради одной функции.
Стало ясно: нейросетям нужен не ещё один универсальный процессор, а специализированное железо.
Большая часть их вычислений сводилась к повторению сравнительно простых операций с матрицами. При этом модели нормально работали с пониженной точностью. Значит, можно было убрать лишнюю универсальность CPU и построить чип специально под машинное обучение.
Так появилась первая TPU — специализированная ASIC-плата для инференса нейросетей.
CPU: выполняет почти любые задачи
TPU: максимально быстро считает операции нейросетей
Илья Суцкевер может показать первую модель SSI уже в августе
Инвестор Гэвин Бейкер заявил, что Safe Superintelligence планирует выпустить свою первую модель в августе. Сама SSI дату пока официально не подтверждала.
Интрига в формулировке компании. На её сайте прямо сказано:
> Одна цель и один продукт — безопасный суперинтеллект.
SSI с момента основания не выпускала промежуточных продуктов и утверждала, что вся команда, бизнес-модель и инвестиции направлены на достижение одной цели.
Поэтому первый релиз Суцкевера вызовет намного больше внимания, чем запуск очередной LLM. Он должен показать, над чем одна из самых закрытых ИИ-лабораторий работала последние два года.
Но считать будущую модель уже готовым суперинтеллектом рано. Это может быть исследовательский прототип, промежуточная система или демонстрация нового подхода к обучению.
Пока неизвестны архитектура, размеры, результаты тестов и формат доступа.
Если релиз действительно состоится в августе, это будет первый шанс понять: SSI нашла новый путь к более сильному ИИ или готовит ещё одну frontier-модель.
Источники:
https://ssi.inc/
https://www.youtube.com/watch?v=NGsi2PC4y68&t=1679s
🔥 Cursor открыла исходники Mixture-of-Kittens - MoE-мегакернела, который ускорил обучение моделей на 41% без замены железа
В больших Mixture-of-Experts моделях GPU тратят огромные ресурсы не только на вычисления, но и на пересылку токенов между экспертами на разных чипах.
После оптимизации математики через MXFP8 именно передача данных стала главным узким местом. На некоторых нагрузках она занимала больше половины времени одного шага обучения.
Mixture-of-Kittens объединяет весь цикл в один CUDA-кернел:
- отправку токенов нужным экспертам;
- вычисления;
- сбор результатов;
- синхронизацию между GPU.
Передача токенов происходит параллельно с вычислениями.
Ещё одно важное изменение - модель перешла от
push к pull: каждый чип сам забирает нужные ему токены. Это дало до 29% больше полезной пропускной способности NVLink и сократило задержки ожидания примерно в 5,8 раза.
Результаты Cursor на GB300 NVL72:
- до 2,37x быстрее на MXFP8 forward;
- до 1,78x быстрее на MXFP8 backward;
- на 512 GPU throughput вырос с 760,9 до 1 070,2 токена/с на GPU;
- общий прирост производительности в production составил около 41%.
Ускорение получили не за счёт новых видеокарт, а благодаря более умному расписанию движения данных.
На масштабе сотен GPU хороший кернел может оказаться выгоднее ещё одной стойки оборудования.
Проект опубликован под лицензией Apache 2.0.
https://x.com/cursor_ai/status/2084670806613737919
🛡️ Mistral выпустила Shieldstral - открытую модель для модерации текста и изображений
Большинство guard-моделей работают с заранее заданным списком запретов. Чтобы адаптировать такую систему под другой продукт, аудиторию или правила компании, часто требуется дополнительное обучение.
Shieldstral предлагает другой подход: разработчик описывает политику безопасности обычным языком прямо во время инференса.
Например:
> «Безопасно ли показывать это изображение несовершеннолетнему?»
Модель анализирует текст, изображение или пару «запрос - ответ», после чего возвращает вероятность
yes или no.
Что умеет Shieldstral:
- проверять пользовательские запросы и ответы модели;
- модерировать текст и изображения;
- оценивать, был ли отказ модели обоснованным;
- адаптироваться к новым правилам без переобучения;
- выдавать оценку риска, а не только жёсткий ярлык.
В модели всего 3 млрд параметров, поэтому её можно запустить на одной NVIDIA GPU с 16 ГБ памяти.
По внутренним тестам Mistral, Shieldstral конкурирует с открытыми guard-моделями, которые крупнее её до семи раз. Эти результаты пока требуют независимой проверки.
Модель опубликована с открытыми весами под лицензией Apache 2.0.
Подробнее:
https://mistral.ai/news/shieldstral
Apple обвинила OpenAI в краже секретов и получила крайне неудобный ответ
Apple утверждает, что бывшие инженеры Chang Liu и Tang Tan передали OpenAI конфиденциальные данные о будущих устройствах. Компания потребовала судебный запрет, который должен ограничить использование спорной информации. OpenAI обвинения отрицает.
Теперь OpenAI опубликовала переписку, из которой следует: сотрудники Apple продолжали обращаться к Liu уже после его ухода.
Его просили:
- найти внутренние файлы;
- объяснить причины продуктовых решений;
- помочь с техническими вопросами;
- подсказать нужных сотрудников внутри компании.
В одном из сообщений сотрудник Apple написал:
> Конечно, я мог бы спросить нескольких людей, но ты лучший. Даже если ты здесь больше не работаешь.
Ещё страннее выглядит переписка юристов. Внешний адвокат Apple поблагодарил генерального юрисконсульта OpenAI за телефонный разговор, которого в действительности не было. Позже он признал ошибку и сообщил, что письмо предназначалось другому человеку.
Получается неудобная картина: Apple обвиняет бывшего инженера в работе с конфиденциальными данными, но её собственные сотрудники продолжали использовать его как удалённого эксперта уже после увольнения.
OpenAI считает это провалом offboarding-процесса Apple - доступы и рабочие связи с бывшим сотрудником должны были быть закрыты сразу.
Опубликованная переписка не опровергает все обвинения Apple и показывает позицию только одной стороны.
Но теперь компании придётся объяснять суду, почему её сотрудники продолжали запрашивать внутреннюю помощь у человека, которого она обвиняет в краже секретов.
Источник:
https://openai.com/index/apple-is-getting-this-wrong/
🎓 Магистратура по работе с данными и применению ИИ от НИЯУ МИФИ в партнерстве с Яндекс Практикумом — как устроено обучение
Это двухлетняя программа по прикладной математике и информатике. Учеба проходит полностью дистанционно, студенты получают два диплома: магистерский и о профпереподготовке, а еще все стандартные студенческие льготы.
Главное по структуре и условиям:
• Во время учёбы вы выбираете один из четырех треков: ML-инженерию, Computer Vision, NLP или Data Engineering.
• Учеба строится на прикладном стеке: от PyTorch, Transformers и OpenCV до Airflow, Kafka, Hadoop и Yandex Cloud.
• За 2 года студенты делают 10+ проектов в портфолио. Кейсы для учебы дают реальные команды, например, Еды, Лавки, Go, Облака — без ограничений по NDA.
• В программу включен карьерный трек с mock-интервью от HR и доступом к базе вакансий партнеров.
Экзамены также проходят онлайн. Перед сдачей предоставляют гайд для подготовки.
🔗 Учебный план и подача документов
+1
⚡️ Celeris-1 вышла на первое место по скорости генерации - около 2 086 токенов в секунду
По данным Artificial Analysis, это сейчас самый высокий показатель среди протестированных моделей. При этом Celeris-1 работает на обычных GPU, без специализированных ускорителей.
В собственном тесте Celeris на MMLU-Pro модель набрала 75,9%:
- GPT-5 mini - 78,5%
- GPT-5 - 81,9%
Но отвечала она примерно в 13-16 раз быстрее.
Секрет скорости - архитектура, которая снижает зависимость от последовательной генерации токен за токеном.
Важная оговорка: показатели качества и сравнение с GPT-5 получены самой Celeris, а reasoning budget у моделей был установлен в ноль. Однако независимый замер Artificial Analysis подтверждает главное - скорость выше 2 000 токенов в секунду уже стала реальностью.
Для голосовых ассистентов, автодополнения кода и AI-агентов такая скорость может оказаться важнее нескольких дополнительных процентов в бенчмарке.
Как выглядят задачи машинного обучения в бигтехе?
Открыта регистрация на E-CUP 2026 Students — ежегодное соревнование от Ozon Tech. В этом сезоне — для студентов, которые интересуются ML, Data Science, Big Data и аналитикой данных.
Вас ждут три трека: поиск дубликатов товаров, ИИ-модерация карточек маркетплейса и прогнозирование поведения пользователей. Все задачи основаны на реальных обезличенных данных Ozon.
Участвовать можно по одиночке или в команде до пяти человек. Соревнование проходит онлайн с финалом на масштабной конференции E-CODE.
Что ждёт участников:
- призовой фонд 7 200 000 ₽;
- обратная связь от инженеров Ozon Tech;
- нетворк с экспертами индустрии;
- лимитированный мерч;
- билеты на конференцию E-CODE, где наградят победителей.
Подробнее — на сайте E-CUP 2026 Students.
➡️ Регистрация уже открыта!
Присоединяйтесь, чтобы выйти за рамки учебных проектов, попробовать свои силы в задачах настоящего бигтеха и сравнить своё решение с лучшими участниками.
⚡️ Y Combinator открыл исходники QM - мультиплеерного харнесса для управления компанией через ИИ-агентов
QM создавался внутри YC после экспериментов с десятками персональных агентов. В какой-то момент команда развернула более 50 Hermes-инстансов и столкнулась с очевидной проблемой: управлять таким флотом вручную слишком сложно.
В QM каждый сотрудник, канал и проект получает собственное изолированное пространство с памятью, файлами, разрешениями, секретами, cron-задачами и постоянной песочницей. Люди могут работать с агентами лично или совместно через Slack и веб-интерфейс.
Агенты умеют искать информацию в документах, почте, базах данных и внутренних заметках, создавать веб-приложения, работать с репозиториями, запускать тесты, открывать PR и следить за CI.
QM опубликован под лицензией MIT.
GitHub: https://github.com/yc-software/qm
⚡️ DeepSeek V4 Flash теперь можно запустить локально на одном Mac
На Hugging Face появилась специальная GGUF-сборка DeepSeek-V4-Flash-0731 для компьютеров Apple Silicon со 128 ГБ объединённой памяти.
Официальная модель содержит 304 млрд параметров и поддерживает контекст до 1 млн токенов. После смешанной 2- и 4-битной квантизации файл занимает 97,6 ГБ.
Чувствительные слои, attention и общие эксперты сохранены в повышенной точности, а основная часть MoE-экспертов сжата агрессивнее.
Для запуска используется специализированный движок ds4 / DwarfStar:
git clone https://github.com/antirez/ds4
cd ds4
make
./ds4 -m gguf/DeepSeek-V4-Flash-0731-....gguf \
-p "Напиши распределённый кеш на Go"
Repost from Machinelearning
+2⚡️ Qwen представила Qwen3.8-Max - модель на 2,4 трлн параметров для автономной разработки и рабочих агентов
По заявлению команды, модель способна вести длинные проекты почти без вмешательства человека: планировать работу, писать код, запускать инструменты, анализировать результат и исправлять ошибки по обратной связи.
Пример - oh-my-cli. Агент начал с пустой папки и развивал проект больше десяти дней, оставив полный журнал изменений в открытом GitHub-репозитории.
Qwen также заявляет о сотнях последовательных итераций при оптимизации чипов, долгосрочном планировании бизнес-стратегий и нативной работе с изображениями. Визуальные данные используются внутри цикла «планирование - выполнение - проверка», а не только как входной контекст.
Цена API:
- ввод - $2 за 1 млн токенов;
- вывод - $6;
- закешированный ввод - $0,25.
На следующей неделе компания обещает открыть веса Qwen3.8-Max и более компактной Qwen3.8-27B.
Если заявленные возможности подтвердятся на независимых тестах, Qwen получит редкую комбинацию: огромную агентную модель, мультимодальность и открытые веса.
Блог:
https://qwen.ai/blog?id=qwen3.8
Qwen Studio:
https://chat.qwen.ai/?models=qwen3.8-max
API:
https://qwencloud.com/models/qwen3.8-max
Автономный проект:
https://github.com/qwen-code-dev-bot/oh-my-cli
@ai_machinelearning_big_data
#qwen
⚡️ Если вы уже работаете с ИИ-агентами, вы примерно среди 0,14% людей на планете
По июльским оценкам ourworldindata, около 71% трудоспособного населения мира ещё не использовали генеративный ИИ. Массовым кажется только то, что мы видим внутри технологического пузыря.
Платные подписки занимают ещё меньшую долю. Даже Codex, один из крупнейших агентных продуктов, насчитывает чуть больше 5 млн активных пользователей в неделю.
Пока разработчики делегируют агентам рефакторинг, тесты и многочасовые задачи, большая часть человечества ещё ни разу не открывала ChatGPT или его аналоги.
Разрыв огромен.
Цифры о платящих пользователях и 12 млн пользователей агентов остаются приблизительными: единой мировой статистики по всем сервисам нет.
⚡️ Opus 5 за два часа превратила абзац из «Властелина колец» в интерактивный 3D-мир
Андрей Карпати дал модели первый абзац книги, бюджет в 1 млн токенов - около $10 - и попросил создать сцену на Three.js.
Результат: 5500 строк кода, процедурная генерация объектов, расстановка моделей по координатам и анимация событий.
Местами всё выглядит криво. Но раньше никто не стал бы тратить дни на настолько узкую сцену. Теперь достаточно описать мир - и через пару часов получить рабочий прототип.
Следующий шаг - временные игры по запросу, где пользователь может стать наблюдателем, NPC или героем истории.
Пока слабое место моделей - проверка результата. Они не умеют полноценно смотреть видео и играть в собственные игры, поэтому анализируют скриншоты и пропускают ошибки.
https://x.com/Machinelearrn/status/2083859736387035332
+1🤯 OpenAI заявила о десяти прорывах в задачах, которые математики не могли решить десятилетиями
Результаты получила внутренняя версия Astra - следующей крупной модели компании.
Среди достижений:
— построен первый явный пример не-софической группы (особого типа абстрактной алгебраической структуры, которую раньше удавалось описывать только косвенно);
— опровергнута гипотеза жёсткости Конна (долгосрочное предположение в функциональном анализе о том, насколько строго определяются такие математические объекты);
— доказана квантовая теорема о параллельном повторении для общих двухигровых систем (показывает, как быстро падают шансы на успех при многократном повторении квантовых игр);
— доказана гипотеза Эрхарта об объёме (результат из геометрии, связанный с подсчётом точек в многомерных фигурах и их объёмами);
— впервые с 1978 года улучшена общая верхняя оценка плотности упаковки сфер (то есть насколько плотно можно «уложить» шары в пространстве).
По заявлению OpenAI, Astra самостоятельно нашла основные математические аргументы, а затем формализовала каждое доказательство в Lean. Вместе с машинно проверяемыми сертификатами опубликована рукопись на 249 страниц.
Успешные запуски обошлись бы примерно в $2000 по тарифам Sol API.
одели начинают предлагать новые доказательства для открытых задач - хотя теперь результаты должен внимательно проверить весь математический мир.
Astra ещё не выпущена, и OpenAI не называет её GPT-6.
openai.com/index/ten-advances-in-mathematics/
+5⚡️ Thinking Machines Lab Миры Мурати выпустила Inkling-Small - открытую MoE-модель на 276 млрд параметров, которая активирует лишь 12 млрд на токен.
И эта «младшая» версия обошла Inkling с 41 млрд активных параметров:
— Terminal-Bench 2.1: 64,7% против 63,8%;
— HLE: 31,6% против 29,7%;
— SWE-Bench Verified: 80,2% против 77,6%.
Результат получили после on-policy-дистилляции от старшей модели и ещё двух недель RL на агентном программировании.
Inkling-Small поддерживает изображения и аудио, контекст до 1 млн токенов и регулируемую глубину рассуждений. Веса опубликованы полностью.
Похоже, у разработчиков мультимодальных агентов появился крайне эффективный открытый фундамент.
https://thinkingmachines.ai/news/inkling-small/
