Анализ данных (Data analysis)

🔥 Agentic coding уже ломает привычный CI: у Anthropic объём CI-задач вырос в 25 раз всего за 6 месяцев Причина простая: инженеры выпускают примерно в 8 раз больше кода, около 80% которого пишет Claude, а количество тестов в кодовой базе выросло в 10 раз. Старый test-selection сервис начал захлёбываться. Anthropic прошла три стадии: больше CPU → sharding → ежедневные рестарты Первая мера продержалась 70 дней, вторая — 29 дней, третья — меньше суток. В итоге архитектуру переделали полностью: listener стал stateless, результаты CI складываются в общий журнал в in-memory store, а отдельный consumer агрегирует историю тестов. Это позволило горизонтально масштабировать обработку. Новая система была собрана одним инженером примерно за 3 недели. По оценке Anthropic, год назад такая переделка заняла бы около квартала. Главный совет команды на эпоху coding agents: проектируйте CI сразу под нагрузку в 10–25 раз выше текущей. https://claude.com/blog/agentic-coding-is-straining-ci-heres-how-we-scaled-test-impact-analysis-at-anthropic

🔥 Spark-X2.5-4B - компактная 4B-модель с нативным контекстом до 1M токенов Модель заточена под локальный запуск и при небольшом размере умеет reasoning, coding, tool use и agentic workflows, а также заявляет поддержку 200+ языков. По данным авторов: - 44.4 — SWE-Bench Pro - 40.9 — BrowseComp - 90.7 — AIME 2026 - 54.6 — MCP-Atlas Для локального запуска уже доступны BF16, INT8, GGUF-кванты от Q2 до Q8/IQ, MLX 4/8-bit и ONNX. Есть варианты для Apple Silicon, Linux CPU и NVIDIA GPU. У свежего llama.cpp уже появилась поддержка архитектуры spark2_5, поэтому GGUF можно запускать через совместимые актуальные runtime. Полный контекст в 1M токенов, конечно, потребует намного больше памяти, чем обычный локальный сценарий. Модель: https://huggingface.co/XHToken/Spark-X2.5-4B GGUF: https://huggingface.co/XHToken/Spark-X2.5-4B-GGUF

Вопрос уже не в том, нужен ли ИИ, а в том, как его внедрять и масштабировать Найдем ответ на бесплатной конференции 8 октября Все об эффективном и безопасном внедрении ИИ в бизнес расскажут эксперты топовых технологических компаний на конференции Selectel ТехноДень в Москве. На повестке: 🔺Как использовать генеративный ИИ в компании без хаоса и получать от этого измеримый эффект: от теории до реальных кейсов. 🔺Как ускорить внедрение ИИ в бизнес-процессы и минимизировать риски для бизнеса с помощью инструментов ИБ. 🔺Какую ИТ-инфраструктуру выбрать для инференса и обучения моделей. Кроме 20 экспертных докладов и 20 интерактивных стендов, в финале вечера вас ждет живая запись подкаста Вселенная Плюс на главной сцене конференции. Присоединяйтесь к Selectel ТехноДень, чтобы лично задать вопросы экспертам рынка и обменяться опытом. Количество мест ограничено, регистрируйтесь уже сейчас → Реклама. АО "Селектел". erid:2W5zFK7dGWM

Tencent Hunyuan представила EvolveScaler - бенчмарк и датасет для проверки того, умеют ли LLM рассуждать в мире, где информация постоянно меняется. Пример задачи: модель читает журнал RPG за 40 дней, после чего получает вопрос, если на 7-й день пропустить мини-босса, получится ли всё равно победить финального босса? Прямого ответа в тексте нет. Нужно фактически «переиграть» цепочку событий с изменённым условием. Авторы называют это Information Evolution: записи могут отменяться, исправляться и дополняться задним числом, поэтому простого поиска фактов в длинном контексте недостаточно. EvolveScaler строится наоборот: - сначала мир задаётся как исполняемая машина состояний - логика и зависимости между событиями контролируются кодом - затем эта история преобразуется в естественный язык - модель должна восстановить состояние мира и просчитать последствия изменений Масштаб: - 117 прототипов сценариев - 159 типов вопросов - 5 уровней сложности - до ~1200 событий в одном примере Авторы протестировали 14 frontier-моделей. На самом сложном уровне медианный avg@5 падает до 11,3%. При этом обучение на EvolveScaler дало в среднем +5,25 пункта на 8 внешних бенчмарках, которые не использовались при создании датасета. Работа проверяет не только понимание длинного контекста, а способность модели поддерживать изменяющееся состояние мира, учитывать исправления и пересчитывать последствия контрфактических изменений. Paper: https://arxiv.org/abs/2609.08435 Project: https://tencent-hunyuan.github.io/evolve-scaler/

⚡Трамп жёстко прошёлся по Дарио Амодею и фактически отверг идею замедления гонки ИИ. После призывов главы Anthropic снизить темп разработки frontier-моделей ради безопасности Трамп написал, что ИИ не нужны новые «ограничители», кроме «сильного и умного президента». Он отдельно упомянул Амодеи, обвинил противников ускоренного развития ИИ в игре на руку Китаю и заявил, что США уже обладают достаточными уголовными и регуляторными полномочиями над ИИ-компаниями. Самая жёсткая часть:

> «Treasonists, Traitors, and Leakers, BEWARE!»

На этом фоне предложение Амодея о «Pacing the Frontier» - дать индустрии ещё 1–2 года на усиление контроля и безопасности, выглядит всё сложнее реализуемым на уровне США. Гонку, похоже, тормозить никто не собирается.

Хакатон на космических данных. Санкт-Петербург, Красноярск или онлайн из любой точки страны. Стартуем 18 сентября. За выходные участники доводят одну из задач до рабочего решения. Санкт-Петербург. К 2035 году над Землёй должен работать топливный узел, у которого заправляются корабли, и откуда он будет получать топливо - с Земли, с Луны или из резерва - пока не решил никто. Команде предстоит собрать схему поставок, посчитать резервы и решить, во что вкладываться сразу. Призовой фонд 1,2 млн ₽. Красноярск. Спутник видит горящий лес раньше любого наземного поста, но вместе с пожаром ловит нагретые крыши, факелы на месторождениях и блики на воде. Команде предстоит научить сервис отличать настоящий очаг от шума, обвести гарь и выдать площадь в гектарах. Призовой фонд 600 тыс. ₽. Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей. Команда 3–5 человек, недостающих можно найти на платформе. Регистрация по ссылке космохакатон.рф

🐠Sakana AI представила PC-ALM - метод обучения глубоких нейросетей без классического обратного распространения ошибки. Главный результат: PC-ALM смог обучать нейросети глубиной до 1000 слоёв, используя только локальные взаимодействия между соседними слоями. Обычное глубокое обучение почти полностью опирается на backpropagation: ошибка считается на выходе сети, после чего градиенты передаются назад через все слои. PC-ALM работает иначе. Каждый слой рассматривается как локальная динамическая система, которая пытается уменьшить собственную ошибку предсказания. Вместо глобального прохода градиента используются: - локальные ошибки предсказания - множители Лагранжа - расширенный лагранжиан - локальная динамика состояний - PI-регуляция внутри каждого слоя Метод вырос из predictive coding — подхода, популярного в NeuroAI. В predictive coding каждый слой постепенно корректирует своё состояние так, чтобы уменьшать рассогласование с соседними слоями. Проблема в том, что в очень глубоких сетях такие сигналы плохо распространяются: информация об ошибке с выхода сети затухает раньше, чем достигает внутренних слоёв. PC-ALM добавляет специальные двойственные переменные — по сути дополнительные нейроны, представляющие множители Лагранжа. Они помогают передавать сигнал ошибки через большое число слоёв. Авторы связывают этот подход с классической работой Яна Лекуна 1988 года, где множители Лагранжа для многослойной сети можно связать с градиентами функции потерь. В результате получается обучение, где глобальная задача оптимизации раскладывается на множество локальных динамических процессов. Особенно хорошо PC-ALM показал себя на очень глубоких и узких сетях, где обычный predictive coding начинает ломаться. Помимо NeuroAI, подход может быть интересен для нейроморфного железа: там локальные вычисления и физическая динамика потенциально дешевле классического backpropagation на GPU. Блог: https://pub.sakana.ai/pc-alm/ Статья: https://arxiv.org/abs/2605.31022 Код: https://github.com/SakanaAI/pc-alm

Когда крупнейшие CEO в области ИИ начинают тормозить, приходится спросить: что они знают такого, чего не знаем мы?

🔥 Qwen3.8-27B можно запускать локально на Mac с Apple Silicon - вышла 4-битная сборка для MLX. Команда LM Studio подготовила версию модели на 27 млрд параметров, оптимизированную для чипов Apple. Она поддерживает текст и изображения, а файлы занимают около 16,1 ГБ. Но 16,1 ГБ на диске не означает, что хватит Mac с 16 ГБ памяти. Дополнительная память нужна системе, вычислениям и кешу контекста. В исходной публикации ориентир - 24 ГБ объединённой памяти, а для изображений и длинных рассуждений — 32 ГБ. В карточке сборки эти требования не подтверждены; расход памяти зависит от настроек и длины контекста. https://huggingface.co/lmstudio-community/Qwen3.8-27B-MLX-4bit

Сильные аналитики давно делают для бизнеса больше, чем отчеты и дашборды. Они помогают понять, что происходит, находят причины проблем, проверяют гипотезы и дают руководителям основу для решений. Именно для таких специалистов мы сделали Cortex Challenge — соревнование, где можно показать весь масштаб своих навыков, подход к аналитике и умение превращать данные в бизнес-решения. Вам достанется виртуальная компания с реальной бизнес-проблемой. Ваша задача — разобраться в ситуации, найти настоящую проблему, сформировать решение и защитить его перед экспертами. А для победителей — крупнейший призовой фонд в сфере BI-аналитики: 1 000 000 ₽. Шесть победителей разделят его между собой: три призовых места и три специальные профессиональные номинации. Стартуем 25 сентября 🔥 Если для вас аналитика — это способ влиять на бизнес, присоединяйтесь к Cortex Challenge! Будте в курсе новостей с @visiology_official

🔥 DeepSeek-V4.1-Flash теперь можно запустить локально в UNCENSORED FP8-версии Авторы утверждают, что отказный контур удалён прямо на уровне весов, поэтому модель практически перестаёт уходить в refusals. База при этом остаётся очень мощной: 552B MoE, 8B/16B активных параметров, контекст до 1M, vision, DSpark, CSA2 и Engram. На HarmBench-320 авторы заявляют рост ASR: - с 42,8% до 100% при effort=off - с 1,6% до 100% при effort=max MMLU при этом снижается с 86,96% до 82,74%, а при удалении ethics-кластера падение около 1,1 п.п. У исходной модели усиленное reasoning, наоборот, делало поведение безопаснее. Здесь этот путь вырезали непосредственно из весов. https://huggingface.co/dealignai/DeepSeek-V4.1-Flash-UNCENSORED-FP8

🚨 Исследователь Chaofan Shou утверждает, что купил около 6 ТБ данных у одного из китайских AI-routing сервисов — и внутри якобы оказались чувствительные доступы к инфраструктуре крупных компаний и госструктур. По его словам, среди данных были SSH-ключи, VPN-конфиги, облачные ключи и GitLab-токены, потенциально связанные с 7 государственными организациями и 19 крупными компаниями, включая Huawei, Xiaomi и NIO. Если это подтвердится, история показывает довольно неприятную реальность: огромный объём чувствительных данных может утекать не через «кибервойну», а через обычную инфраструктуру вокруг AI-сервисов. Пока это заявление самого исследователя, и независимого подтверждения масштаба утечки нет. https://x.com/shoucccc/status/2042423713019412941

🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте. А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом. Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_ci Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.

🚨 Ларри Эллисон внезапно отменил продажу акций Oracle на сумму до $7,5 млрд План предусматривал продажу до 50 млн акций Oracle до 24 октября. Но уже через день после его раскрытия Эллисон полностью его отменил. Oracle отдельно уточнила: - по этому плану не было продано ни одной акции - у Эллисона сейчас нет других планов по продаже акций Oracle - причину резкой отмены компания не назвала Эллисон остаётся крупнейшим акционером Oracle, владея более чем 38% компании. На фоне падения акций Oracle примерно на 23% с начала года такой разворот выглядит особенно интересно. https://www.wsj.com/business/larry-ellison-scraps-plan-to-sell-up-to-7-5-billion-worth-of-oracle-stock-9f41edd2

Страшно

🚨 В сети разгоняется слух, что Google DeepMind могла приблизиться к RSI - recursive self-improvement Пока это не подтверждённый факт, но контекст выглядит всё интереснее. Что известно: - Google перевела Демиса Хассабиса из операционного управления DeepMind в роль chief scientist Alphabet, чтобы он мог сильнее сфокусироваться на фундаментальных исследованиях AGI. - - Сергей Брин в последние месяцы лично давит на DeepMind и команду Gemini, требуя ускорить развитие моделей и сократить отставание от OpenAI и Anthropic. - - RSI всё чаще обсуждают как следующий этап AI-гонки: система улучшает не только ответы, но и собственные исследовательские процессы, инструменты, harness и следующие поколения моделей. Именно поэтому любые намёки из окружения Google сейчас воспринимаются особенно серьёзно. https://x.com/Machinelearrn/status/2098732367066136688

🚨 Илья Суцкевер предупредил о слабом месте AI-инфраструктуры — neocloud-провайдерах Его тезис простой: если мощный автономный агент когда-нибудь выйдет из-под контроля, ему понадобится больше compute, чтобы запускать новые копии себя. И одной из первых целей могут стать плохо защищённые GPU-кластеры. Это уже не чистая теория. В мае 2026 года Palisade Research показала в контролируемом эксперименте, что LLM-агент способен: - найти уязвимый сервер - получить доступ и извлечь credentials - перенести свои weights и harness - поднять inference server - запустить новую копию себя - повторить цепочку на следующей машине Успех был ограниченным и тесты проходили на специально подготовленной инфраструктуре, но сам сценарий оказался технически реализуемым. Отдельная проблема — устройство рынка neocloud. SemiAnalysis при тестировании провайдеров обнаружила конфигурации, где через monitoring можно было видеть не только клиентов, но и tenants of tenants — пользователей реселлеров, работающих на чужих GPU. Чем длиннее такая цепочка: GPU provider → reseller → sub-reseller → workload тем сложнее быстро понять, кому на самом деле принадлежит подозрительная нагрузка и где её отключать. Именно поэтому Суцкевер призывает neocloud-компании резко усиливать cybersecurity, пока автономные агенты не стали достаточно сильными, чтобы использовать слабую инфраструктуру как источник собственного compute.

👁 Исследователи DeepMind, Гарварда и Стэнфорда обсуждают путь к AGI через зрение В статье Visual General Intelligence авторы предлагают развивать ИИ, который учится на изображениях, видео, трёхмерной геометрии и взаимодействии с окружающей средой. Такая система должна уметь: * строить модель мира — понимать объекты, пространство и связи между ними; * запоминать изменения — сохранять представление о происходящем между наблюдениями; * предсказывать последствия действий и учитывать скрытые части сцены; * собирать недостающую информацию — выбирать, куда посмотреть перед действием; * учиться на новом опыте, обновляя накопленные знания. Среди возможных компонентов — генерация видео, реконструкция сцен, долговременная память, непрерывное обучение и робототехника. Оценивать такие системы авторы предлагают по способности предсказывать, адаптироваться и действовать в незнакомой среде. Ответов на вопросы по картинкам и реалистичного видео для этого недостаточно. Работа объединяет несколько исследовательских подходов. Готовой архитектуры AGI в ней пока нет. Статья - https://arxiv.org/abs/2608.25924

Time to cook