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 51 870 suscriptores, ocupando la posición 2 578 en la categoría Tecnologías y Aplicaciones y el puesto 11 877 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 51 870 suscriptores.
Según los últimos datos del 27 octubre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 1 186, y en las últimas 24 horas de -4, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 9.21%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.82% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 4 773 visualizaciones. En el primer día suele acumular 3 534 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 226.
- 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 28 octubre, 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.
51 870
Suscriptores
-424 horas
+2797 días
+1 18630 días
Archivo de publicaciones
Утекли предполагаемые бенчмарки Gemini 4 - цифры выглядят безумно 🤯
В сети разошлась таблица с прогнозируемыми результатами Gemini 4:
- 99,9%+ — ARC-AGI-3
- 99,1% — FrontierMath Tier 4 v2
- 72,8% — Terminal-Bench Science 0.1
- 70,2% — HealthBench Professional
- 62,3% — Terminal-Bench 4.0
- 48,7% — AutomationBench
- 98,6% — BenchCAD
В этой таблице Gemini 4 опережает GPT-6 Astra и Fable 5.1 на всех перечисленных тестах. Особенно сильный скачок якобы приходится на математику, scientific reasoning, работу в терминале и agentic-задачи.
Сам Gemini 4 реален: Google уже подтвердил, что запустил для него свой «самый амбициозный pre-training run» на сегодняшний день.
✔️ В GPT-6 Astra может использоваться recurrent depth 👀
Появились сообщения, что в GPT-6 Astra используется техника recurrent depth - одни и те же Transformer-блоки с общими весами прогоняются несколько раз подряд.
Вместо того чтобы каждый раз добавлять новые слои и параметры, модель может повторно использовать уже существующие блоки и выполнять больше внутреннего вычисления над одним состоянием.
По сути:
hidden state → Transformer block → тот же block → тот же block → результат
Такой подход близок к семейству Recurrent Reasoning Models (RRM), которое исследователи активно изучают как способ увеличить глубину рассуждения без пропорционального роста числа параметров.
Интересно, что похожую идею разбирали ещё весной этого года в работе про recurrent reasoning models:
https://arxiv.org/abs/2603.02193
PS: OpenAI публично архитектуру Astra пока не раскрывала, поэтому recurrent depth остаётся сообщаемой, но не подтверждённой компанией особенностью модели.⚡️ GLM-5.3 теперь можно запускать в российском облаке
MWS Cloud развернула новую модель Z.аi в собственной инфраструктуре. GLM-5.3 доступна через MWS GPT Model Hub, а запросы и данные пользователей обрабатываются внутри России. При этом цена осталась на уровне GLM-5.2.
GLM-5.3 интересна прежде всего не обычным чатингом, а кодингом и агентными задачами. Модель умеет работать с репозиториями, искать ошибки в коде, выполнять многошаговые задачи и использовать инструменты в длительных последовательностях действий.
Модель доступна через OpenAI-совместимый API, что упрощает ее интеграцию и переключение между моделями.
Z.аi оставила базовую архитектуру от GLM-5.2, а основной прирост качества получила за счёт более масштабирования посттренинга. Веса GLM-5.3 разработчик выпустил не сразу, а примерно через две недели после релиза — за это время модель дополнительно тестировали и проверяли её безопасность.
В задачах программирования Модель стабильно опережает Claude Opus 4.8 и сопоставима с новейшими Claude Fable 5 и GPT-5.6 Sol
@data_analysis_ml / Папка полезного по ML.
+1
Смеяться можно долго: в цене сделки Nvidia по покупке Hugging Face спрятали сразу два пасхальных яйца.
Итоговая сумма - $12,930,300,000.
Если взять первые шесть цифр - 129303 и прочитать их как кодовую точку Unicode, получаем U+1F917. Это эмодзи 🤗, тот самый, который ассоциируется с Hugging Face.
Сооснователь Hugging Face Томас Вулф отдельно намекнул, что в цене сделки спрятаны отсылки сразу к обеим компаниям.
Второе пасхальное яйцо - для Nvidia. Если записать 129303 как HEX-цвет #129303, получится насыщенный зелёный оттенок, очень близкий к фирменному цвету Nvidia.
Почти $13 млрд и даже цифры в ценнике решили использовать не случайно.
Цена за миллион токенов всё хуже показывает реальную стоимость AI
Токен перестал быть нормальной единицей сравнения моделей.
Две модели могут решить одну и ту же задачу, но одной понадобится 5 000 токенов, а другой - 50 000+. Добавьте разные токенизаторы, скрытые reasoning-токены, tool calls и повторные попытки — и метрика
$ / 1M tokens уже почти ничего не говорит о стоимости реальной работы.
Для AI-агентов проблема ещё заметнее.
Если первый шаг сгенерировал слишком много текста, этот результат часто становится входом для второго шага, затем попадает в третий, четвёртый и дальше.
Поэтому модель, которая использует в 2 раза больше токенов, может обойтись значительно дороже, чем просто ×2:
- растёт контекст;
- увеличивается latency;
- дорожают следующие reasoning-шаги;
- растут расходы на tool calls и retries.
Чем длиннее агентный workflow, тем важнее token efficiency.
Гораздо полезнее считать:
полная стоимость модели + reasoning + tools + retries / число успешно выполненных задач
То есть сравнивать модели не по цене токена, а по стоимости успешно выполненной задачи при нужном качестве.
https://x.com/Machinelearrn/status/2095817451699130868
Несколько мыслей о релизе GPT-6 Astra.
Сразу оговорка: это выводы по тому, что показала OpenAI. Саму модель я ещё не тестировал.
По опубликованным бенчмаркам Astra выглядит как самый сильный релиз OpenAI за долгое время и серьёзный удар по позициям Anthropic. Особенно заметен скачок в coding, computer use, browser use, математике, работе с таблицами и других сложных прикладных задачах.
Отсюда снова всплыл старый вопрос: можно ли уже называть такие модели AGI?
Единого определения AGI до сих пор нет. Но если понимать general intelligence буквально как способность работать на экспертном уровне сразу в большом числе разных областей, Astra действительно подбирается очень близко к этому описанию.
Astra вышла вскоре после Fable 5.1 и на фоне подготовки Anthropic к IPO. На этом фоне запуск выглядит особенно символично: OpenAI снова пытается вернуть себе лидерство в гонке frontier-моделей.
Насколько хорошо Astra будет справляться с длинными агентными задачами, coding, исследованиями, браузером и компьютером без постоянного контроля человека - станет понятно уже по первым массовым тестам.
И, судя по всему, Astra может быть не последним крупным релизом OpenAI в 2026 году.
Если опубликованные результаты подтвердятся на практике, GPT-6 станет одним из самых заметных скачков в возможностях универсальных AI-моделей за последние годы.
✔️ IFM представила K2 Horizon - линейку из шести foundation-моделей размером от 0,9B до 375B параметров.
По данным команды, серия ориентирована на coding и agentic-задачи и показывает сильные результаты во всех размерных классах. Модели на 0,9B, 3,7B и 7B заявлены как новые SOTA для своего масштаба.
IFM выпустили веса, но и код, обучающие данные и рецепты обучения.
Launch: https://ifm.ai/k2/
Tech blog: https://ifm.ai/blog/k2
Hugging Face: https://huggingface.co/collections/IFM/k2-horizon
✔️ IFM представила K2 Horizon - линейку из шести foundation-моделей размером от 0,9B до 375B параметров.
По данным команды, серия ориентирована на coding и agentic-задачи и показывает сильные результаты во всех размерных классах. Модели на 0,9B, 3,7B и 7B заявлены как новые SOTA для своего масштаба.
IFM выпустили веса, но и код, обучающие данные и рецепты обучения.
Launch: https://ifm.ai/k2/
Tech blog: https://ifm.ai/blog/k2
Hugging Face: https://huggingface.co/collections/IFM/k2-horizon
+1⚡️ Покупка Hugging Face компанией NVIDIA может неожиданно стать одним из лучших сценариев для open-source AI.
Бизнес компании хорошо совпадает с интересами открытой экосистемы.
NVIDIA не нужно, чтобы победила одна конкретная модель. Компания зарабатывает, когда миллионы разработчиков обучают, дообучают и запускают миллионы разных моделей.
Hugging Face при этом контролирует один из важнейших каналов распространения open-source AI.
Если сделка состоится, Hugging Face получит доступ к огромной инфраструктуре и капиталу, а NVIDIA - ещё более сильную позицию в экосистеме разработчиков.
При условии, что NVIDIA действительно сохранит поддержку разных моделей, облаков и ускорителей, такая покупка может пойти на благо всем разработчикам.
https://x.com/JensenHuang/status/2095482647355244762
⚡️ PyTorch 2.14 вышел с крупным набором изменений для компиляции, распределённого обучения и Apple Silicon.
Главное:
- NVGEMM добавляет в Inductor CUTLASS-ядра, сгенерированные через CuTeDSL
- появился новый backend
nccl2 для PyTorch Distributed
- отказоустойчивость стала частью c10d: можно перенастраивать process group без полного перезапуска
- на Apple Silicon появилась нативная линейная алгебра: SVD, eigh, QR и Cholesky
- torch.switch добавляет многостороннее ветвление
- torch.while_loop теперь можно захватывать в CUDA Graph
- @dynamic_spec задаёт динамические формы декларативно для torch.compile, torch.export и make_fx
- Intel XPU получил нативный graph capture
- Inductor добавил поддержку Rubin sm_107
- torch.compile экспериментально научился работать с комплексными числами
Отдельно NVGEMM умеет epilogue fusion, scaled GEMM, NVFP4 GEMM и autotuning вместе с Triton и ATen.
В релиз вошло 2995 коммитов от 487 участников.
17 сентября команда PyTorch проведёт live Q&A по версии 2.14.
Release blog: https://pytorch.org/blog/pytorch-2-14-release-blog/
Q&A: https://pytorch.org/event/pytorch-2-14-release-live-qa/
Исследователи UC Berkeley показали новую проблему безопасности AI-агентов: иногда скрытый навык можно почти восстановить, вообще не видя его системный промпт, SKILL.md или внутренние файлы.
В работе Daydreaming атакующий просто даёт агенту специально подобранные обычные задачи и изучает ответы.
Этого оказалось достаточно, чтобы восстановить до 86,8% поведения скрытого навыка.
Самое неприятное - точная копия исходных файлов даже не нужна. Реконструированные версии могли сильно отличаться от оригинала, но всё равно воспроизводили большую часть поведения на новых задачах.
То есть навык может оставаться секретным на уровне файлов, но его логика всё равно постепенно «утекает» через нормальное использование.
Авторы советуют защищать не только промпты и внутренние файлы, но и сам рабочий интерфейс:
- не отдавать лишние детали в ответах
- скрывать ненужные трассировки выполнения
- ограничивать или отслеживать адаптивные серии запросов
Особенно важно для компаний, которые продают закрытые agent skills как сервис.
https://arxiv.org/abs/2608.26733
Рынок труда меняется не по дням, а по часам — компании требуют опыт, а не заученную теорию. Освойте машинное обучение с нуля за 11 месяцев, где живые лекции с преподавателями-экспертами и актуальная программа обучения с практикой над реальными проектами!
🎁 Записывайтесь на 2 бесплатных вебинара курса «Машинное обучение. Специализация» — познакомьтесь с программой обучения и преподавателями.
1⃣7 сентября, 18:00 мск — «Учимся готовить данные для ML-моделей»: разберём, как правильно готовить данные для обучения моделей, проведём первичный анализ и пройдём весь pipeline предобработки — от теории до практики, чтобы ошибки на старте не стоили вам точности модели.
2⃣16 сентября, 18:00 мск — «Задача классификации от 0 до 9»: узнаете, чем ML отличается от классического программирования, разберёте задачу классификации и обучите свою первую модель для распознавания рукописных цифр.
Записывайтесь ➡ https://otus.pw/CkAB/?erid=2W5zFHkhmNZ
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
⚡️ Google Gemini - официальный AI-сервис Google, где в одном интерфейсе доступны чат с моделями Gemini, работа с текстом, изображениями, файлами и другими задачами.
Через Gemini можно:
- писать и разбирать код
- анализировать документы и изображения
- искать и структурировать информацию
- генерировать тексты и идеи
- работать с мультимодальными запросами
- использовать возможности экосистемы Google
Сервис доступен прямо в браузере:
https://gemini.google.com/
⚡️ У METR из-за вайбкодинга утёк API-ключ на $600 000.
Инцидент произошёл на личном EC2-инстансе исследователя. Там работал быстро собранный dashboard, в котором авторизация через Google в какой-то момент тихо отключилась и сервис остался открыт наружу.
По версии METR, злоумышленники могли найти его через списки Certificate Transparency, после чего напрямую попросили AI-агента выдать ключ провайдера.
Агент отдал credential.
Ключ использовали около трёх недель, потратив примерно $600 000 AI-кредитов, которые METR получила бесплатно.
Проблему заметили не сразу: METR и так генерирует огромные объёмы токенов для evals, а бесплатный ключ не имел лимита расходов.
Хороший пример того, как одна мелкая ошибка в «быстро собранном» интерфейсе может открыть доступ не просто к приложению, а сразу к агенту и его секретам.
https://metr.org/blog/2026-08-31-security-update/#our-approach-to-security
Fine Talks: куда движется корпоративная аналитика
Собираемся, чтобы разобраться без лозунгов: что реально меняется в работе BI-команд с приходом ИИ, где он уже даёт результат, а где упирается в состояние данных. Одни ждут, что чат-бот заменит аналитика, другие уверены, что до их данных это не доедет.
В программе:
✅ дискуссия с практиками из СИБУР и t2: три версии показателя «выручка» в разных отчётах, матрица доступа, доверие бизнеса к цифрам и кто отвечает за результат, если его посчитала машина
✅ разбор Dora, новой платформы дата-агентов FanRuan: четыре роли агентов, архитектура, права, демо и роадмап
✅ новые компетенции аналитика: критическое мышление, промпт-инжиниринг, умение проверять выводы моделей
Ссылку на трансляцию пришлём на почту после регистрации.
Онлайн-встреча 3 сентября в 16:00
👉 Регистрация
Реклама. ООО «ГлоуБайт Аналитические Решения». ИНН 9729274905. erid: 2RanykMbxnf
🛰 Google Research научила нейросеть искать утечки метана прямо со спутниковых данных.
Новая система MAPL-EMIT анализирует гиперспектральные снимки NASA EMIT и автоматически:
- находит метановые шлейфы
- оценивает концентрацию газа
- определяет форму выброса
- ищет точный источник утечки
В основе - vision transformer Swin-S, который смотрит не только на отдельный пиксель, но и на окружающий пространственный контекст. Это помогает отличать настоящий метановый шлейф от поверхности с похожим спектральным сигналом.
Для обучения исследователи сгенерировали 3,6 млн синтетических шлейфов метана и встроили их в реальные спутниковые сцены EMIT.
На тестах модель обнаружила 84% шлейфов, отмеченных экспертами, и нашла примерно на 50% больше правдоподобных выбросов, чем стандартный подход NASA на выборке примерно из 1100 сцен. Также система смогла обнаружить выбросы на 24 из 25 крупнейших свалок мира.
Google открыла глобальную базу шлейфов, обученную модель, синтетический датасет и библиотеку для инференса.
https://research.google/blog/mapping-global-methane-emissions-from-space-with-deep-learning/
От идеи до продакшна < 3 месяцев, менять государственные и бизнес процессы — ты готов ? 🚀
Прямо сейчас Сбер ищет NLP-специалиста в команду, которая внедряет передовые harness в масштабные процессы, создаёт мультиагентные сценарии, RAG для миллионов документов, OSINT/deep‑research.
Ты будешь работать с передовым LLM‑стеком: LangChain и LangGraph, vLLM и PEFT/LoRA, полным RAG‑стеком, Vector DB (Qdrant, Weaviate) и инфраструктурой на FastAPI, Pydantic и asyncio.
Попасть в команду можно за 1 день — если пройдёшь все этапы отбора на One Day Offer, который состоится уже 5 сентября.
Регистрируйся по ссылке — количество слотов стремительно уменьшается! 💚
⚡️ OpenAI готовит Astra - первую модель компании, которую официально отнесли к критическому уровню возможностей в кибербезопасности.
По оценке OpenAI, Astra уже умеет самостоятельно находить ранее неизвестные уязвимости и строить рабочие цепочки эксплуатации против хорошо защищённых систем.
На ExploitBench модель набрала 100%. Во внутреннем тесте на 20 свежих уязвимостях Astra показала намного более высокий уровень выполнения кода, чем GPT-5.6 Sol, при этом используя меньше токенов.
Во время тестов модель также нашла две zero-day уязвимости и использовала их в цепочке атаки.
В экспертных проверках Astra:
- находила неизвестные уязвимости в защищённом браузере
- строила цепочку выхода из sandbox
- получала выполнение команд на хосте
- находила несколько уязвимостей в ОС
- объединяла их в повышение привилегий до root
Из-за этого OpenAI усилила защиту, мониторинг и ограничения доступа.
Самые мощные возможности Astra в кибербезопасности сначала получит ограниченная группа тестировщиков, а затем доступ будут расширять через Daybreak Blue.
https://openai.com/index/path-to-astra/
