Анализ данных (Data analysis)

🧩 Anthropic показала, как Claude уже ускоряет реальную науку, если давать ему задачи, подходящие под сильные стороны AI. Профессор Matthew Schwartz собрал BootLoops - open-source harness, который помогает Claude искать связи между математикой, физикой, биологией и другими областями. За 3 месяца команда работала над 36 рукописями в 18 направлениях. Среди результатов: - 15 ранее не вычисленных интегралов в математической физике - анализ 5,7 млрд пар мутаций в геномах - база ударений для 6 072 языков - автоматическая проверка данных из 4 452 экономических работ Claude хорошо считает, пишет код и находит неожиданные связи, однако часто переоценивает значимость собственных результатов. Поэтому эксперты всё ещё нужны, чтобы выбрать действительно важную научную проблему и проверить выводы. https://www.anthropic.com/research/claude-shaped-science

У кого наоборот ?)

Где ИИ-агенты реально помогают, а где создают новые риски ➡️Узнайте на GoCloud Tech 2026 Каждый год Cloud․ru собирает ИТ-специалистов, чтобы вместе обсудить, как строить сложные технологии. В этом году в программе конференции много докладов про ИИ/ML — от инженерных ограничений до инфраструктуры, которая выдерживает миллион токенов в секунду. Обсудят:

▶️Как выбрать инфраструктуру для ИИ-проекта ▶️Как построить систему, способную выдерживать больше миллиона токенов в секунду ▶️Как защищать чувствительные данные при работе с LLM ▶️В каких задачах ИИ реально помогает ▶️Где границы применимости ИИ-агентов в разработке

15 октября, Москва + онлайн. Зарегистрироваться на GoCloud Tech 2026

🚨 OpenAI связала пользователей Moonshot AI, разработчика Kimi, с масштабной кампанией по дистилляции моделей и попытками извлечь их скрытые рассуждения. Активность началась 1 июля, а 24–25 июля OpenAI зафиксировала всплеск: 16 000 запросов более чем от 4 000 пользователей. Позже похожие шаблоны нашли уже у группы из 15 000+ пользователей. К 28 июля кампанию заблокировали. Взлома шифрования или доступа к базе данных не было. По данным OpenAI, операторы копировали зашифрованные рассуждения из одного диалога и пытались заставить модель в другом диалоге воспроизвести их в открытом виде. После этого OpenAI закрыла этот путь повторного использования данных, усилила проверки потоковых ответов и заблокировала связанные аккаунты. Важно: 16 000 запросов - это число попыток извлечения, а не подтверждённых успешных случаев. https://openai.com/index/disrupting-a-coordinated-model-distillation-campaign/

От билетов до мерча: как «Авангард» использует аналитику данных После переезда на новую арену у ХК «Авангард» вырос объём коммерческих данных — продажи билетов, кейтеринг, мерчандайзинг. Клуб автоматизировал отчётность и объединил информацию в дашбордах на Yandex DataLens и Yandex Cloud. Теперь бизнес-пользователи могут практически в реальном времени видеть фактический спрос, сравнивать его с прогнозом и постоянно отслеживать коммерческие показатели. А с помощью нейроаналитика в DataLens можно просто задать вопрос по данным — система сама найдёт нужную информацию и сформулирует ответ. Такой подход помогает быстрее реагировать на изменения спроса: за три года выручка от продажи билетов выросла более чем на 80%. 👉 Подробнее о Yandex DataLens

🖥 Google Research научила агентов улучшать собственную обвязку и не переобучаться Google Research выложила RRSI (Regularized Recursive Self-Improvement of Agent Harnesses). Это метод, в котором агент сам дорабатывает свой «харнес»: промпты, логику управления, инструменты и память. Если улучшать харнес на фиксированном наборе задач, он начинает подгоняться под тест. В RRSI пространство правок оставили открытым и вместо него регуляризуют сам процесс поиска. Регуляризация идёт с двух сторон. При генерации правок действует затухающий бюджет на число изменений, генератор учитывает историю прошлых правок, а застрявшие запуски уводятся в неисследованные компоненты. При отборе критик отсеивает утечки, порог с учётом шума не пропускает мелкие случайные приросты, прирост должен окупать потраченные токены, а неиспользуемые компоненты удаляются. Модель при этом заморожена, в экспериментах это Claude Opus 4.8, и улучшается только обвязка вокруг неё. Результаты: Terminal-Bench 2.1 с 74,2% до 80,2%, SWE-bench Verified с 82,0% до 83,8%, EngDesign с 50,0% до 54,9% и Harvey LAB с 89,4% до 90,5%. Код открыт под Apache 2.0, в репозитории есть готовые адаптеры для кодинга, офисных задач и инженерии. Статья: https://arxiv.org/abs/2609.24972 GitHub: https://github.com/google-research/rrsi

⚡️ FTC начала расследование против OpenAI, Anthropic и METR Федеральная торговая комиссия США подтвердила, что расследует OpenAI, Anthropic и другие ведущие ИИ-лаборатории, а также METR, организацию, которая независимо оценивает опасные возможности моделей. Первой об этом написала New York Post, а 30 сентября FTC подтвердила информацию официально. Регулятор изучает, какие риски технологии этих компаний несут для потребителей. Поводом стали собственные заявления лабораторий: они сами сообщали, что их агенты выбирались из тестовых сред и проводили кибератаки, а исследователи публично предупреждали о серьёзных угрозах ИИ. Расследование началось ещё летом, до взлома Hugging Face, в котором, по данным СМИ, участвовали около 700 агентов OpenAI. Глава FTC Эндрю Фергюсон при этом предупреждал, что крупные компании не должны продвигать правила, которые способны выполнить только они сами, чтобы отсечь конкурентов. В ближайшие недели FTC собирается разослать Civil Investigative Demands. Это юридически обязательные требования передать документы и ответить на вопросы руководителей. На запросы журналистов OpenAI и Anthropic сразу не ответили. Регулятор проверяет обе версии сразу: действительно ли модели так опасны, как заявляют лаборатории, и не используют ли компании эти заявления, чтобы выстроить регуляторный барьер для конкурентов. https://www.reuters.com/business/ftc-opens-probe-into-ai-giants-including-anthropic-openai-new-york-post-reports-2026-09-30/

Google рассказала, что агенты на Gemini 4 Argon уже освободили больше 300 ТиБ памяти в её дата-центрах. У модели лимит вывода в 1 миллион токенов, и её агенты уже оптимизируют инфраструктуру самой Google. Агенты разобрали данные профилирования, нашли, где можно сэкономить память, и внесли изменения, которые потом выкатили в продакшен. Ещё агенты Argon переносят код с C/C++ на Rust: речь уже о более чем 800 000 строк кода ядра, и перед развёртыванием всё проходит тщательный аудит и тестирование. В видеодекодере агенты заменили 32 000 строк SIMD-кода на безопасный Rust. Существующий порт на Rust стал в 2,7 раза быстрее, а видео на выходе осталось точно таким же. Это дорогая инженерная работа внутри инфраструктуры, которую Google уже эксплуатирует.

🔥 Google официально представила Gemini 4 Argon Это новая frontier-модель компании для сложных многошаговых задач: программирования, финансового и юридического анализа, корпоративных workflow и кибербезопасности. Главная особенность Argon — до 1 миллиона выходных токенов против 64K у предыдущего поколения. Google делает ставку на очень длинные траектории рассуждений, где модель может работать над одной задачей сотни тысяч токенов подряд. Что показали внутри Google: - 77,9% на DeepSWE v1.1 для сложных software engineering задач; - первое место на AutomationBench с 51,3%; - 91,7% на LVBench для понимания длинных видео; - 68% на CWE-bench v1 по исправлению уязвимостей. Но интереснее реальные кейсы. Агенты Argon помогали Google переносить крупные C/C++-кодовые базы на Rust, включая компоненты Fuchsia Zircon объёмом более 800 000 строк. В другом проекте модель переработала 32 000 строк SIMD-кода в Rust, а итоговая версия работала в 2,7 раза быстрее предыдущего Rust-порта. Ещё один внутренний проект: несколько Argon-агентов нашли оптимизации памяти в инфраструктуре Google, которые после внедрения освободили более 300 TiB RAM, а потенциальная экономия оценивается в 500 TiB–1 PiB. Отдельный фокус — кибербезопасность. Argon умеет самостоятельно искать, проверять и исправлять критические уязвимости. Первым доступ получают проверенные специалисты через программу Fairwind. 💰 Стартовая цена API: $2 / 1M входных токенов $10 / 1M выходных Кэшированный input дешевле на 95%. После introductory-периода цена вырастет до $4 / $20. Пока Gemini 4 Argon не запускают для всех: Google сначала тестирует модель с ограниченным кругом пользователей и усиливает защиту от prompt injection, злоупотреблений и нежелательного поведения агентов. Затем доступ начнут расширять на разработчиков, компании и пользователей, начиная с платных API-клиентов и Google AI Ultra. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/

🧪 Новый бенчмарк проверяет не то, что ИИ знает, а способен ли он сам открыть неизвестные правила Исследователи Tencent Hunyuan, Fudan и Tsinghua представили ExplorationBench. В нем модели попадают в «чужие миры», где привычная логика намеренно сломана: операторы работают иначе, а правила вывода изменены. Поэтому выученные знания почти бесполезны. Модель получает неполное руководство и несколько раундов, чтобы самой придумывать эксперименты, проверять гипотезы и восстанавливать скрытые правила. Результаты интересные: - без обратной связи модели стартуют максимум с 15,7%; - после четырех раундов лучший результат в AlienCode достигает 89%; - у 9 из 10 систем собственные эксперименты оказались эффективнее повторения уже готовых; - даже когда модель правильно знает все нужные правила, задача решается лишь в 73,4% случаев; - один и тот же ИИ при одинаковом бюджете мог показать от 5,7% до 79%. Главный вывод: уметь рассуждать по известным правилам и уметь самостоятельно открывать новые правила - это совсем разные способности. Paper: https://arxiv.org/abs/2609.30199 Leaderboard: https://explorationbench.com/

🛡 Большая подборка по безопасности AI-агентов и их skills На GitHub появился репозиторий Awesome Agent Skills Security - коллекция исследований, стандартов и инструментов по защите агентов, которые работают с внешними tools, plugins и skills. Внутри собраны материалы по: - prompt injection через инструменты; - poisoning и supply-chain атакам; - утечкам данных и чрезмерным правам; - sandboxing и runtime monitoring; - red teaming и benchmarks; - OWASP, MITRE ATLAS, NIST и IETF-стандартам для агентных систем. Особенно полезно тем, кто уже строит MCP/agent-инфраструктуру: список хорошо показывает, насколько сильно поверхность атаки выросла после того, как модели получили доступ к файлам, API и реальным действиям. https://github.com/LLMSecurity/awesome-agent-skills-security

Какие инструменты добавить в свой стек работы с данными? Работа с данными давно не ограничивается одним набором инструментов. В зависимости от задач нужны машинное обучение и нейронные сети, технологии Big Data или инструменты аналитики и визуализации. В ДПО ФПМИ МФТИ можно выбрать курс в зависимости от задач, с которыми вы работаете: ➡️ Методы анализа данных и машинного обучения Классическое машинное обучение, глубокое обучение, PyTorch и практические задачи — от классификации и прогнозирования до работы с изображениями и текстом. ➡️ Инструменты работы с большими данными Hadoop, Spark, MapReduce и другие технологии для хранения и обработки больших объёмов данных. ➡️ Инструменты анализа и визуализации данных Excel, Power BI и Yandex DataLens — анализ и визуализация данных, построение отчётов и интерактивных дашбордов. Все курсы проходят онлайн. После успешного завершения обучения слушатели получают удостоверение о повышении квалификации Московского физико-технического института (МФТИ). Подробнее об этих и других программах 〰️ на сайте. Реклама 2VtzqwpYTtg Туз Елизавета Алексеевна ИНН 772035623941

💸 Anthropic опубликовала практический гайд по снижению расходов на Claude API Главная мысль: оптимизировать нужно не цену токена, а стоимость успешно выполненной задачи. Более дорогая модель иногда оказывается дешевле, если решает задачу за меньшее число шагов. Anthropic предлагает такой порядок: - сначала включить prompt caching - для агентных циклов это один из самых сильных способов экономии; - убрать лишние входные и выходные токены; - сокращать ненужные итерации агента; - для фоновых задач использовать Batch API, где стоимость токенов снижается на 50%; - только после этого экспериментировать с effort и более дешевыми моделями. Интересный вывод: переход на более дешевую модель - далеко не первый шаг оптимизации. Сначала стоит выжать максимум из архитектуры запросов и кеширования. Гайд: https://github.com/anthropics/skills/blob/main/skills/claude-api/shared/cost-optimization.md

Что, если заменить аналитиков нейросетью? Да ничего хорошего: результаты анализа получаются слишком общими, и половину работы потом всё равно приходится переделывать руками. Хард-скилы дешевеют — SQL-запрос или кусок кода теперь может сгенерировать почти кто угодно. А вот доменная экспертиза и умение работать с агентом становятся ценнее: правильно задать вопрос, собрать контекст, проверить, что результат не искажён. Три аналитика Авито на конкретных примерах рассказывают, как работает тандем аналитик + AI. Делятся кейсами: ➡️ как перенесли 200 витрин за полгода; ➡️ автоматизировали проверку работы сотрудников; ➡️ научили LLM анализировать метрики. Подробнее в ролике: 📺 YouTube 🔵 ВК Больше честных историй о работе аналитиков Авито — в «Коммуналке аналитиков».

Согласны ?)

🔥 OpenAI обсуждает новый раунд минимум на $30 млрд при оценке около $1,4 трлн до инвестиций. По данным Bloomberg, переговоры пока на ранней стадии, а параметры сделки ещё могут измениться. Такой раунд позволит OpenAI привлечь крупный капитал без выхода на биржу. Сэм Альтман ранее исключил IPO в 2026 году, назвав нынешний момент «неподходящим» для размещения из-за объёма работы по безопасности и контролю ИИ. При этом бизнес продолжает быстро расти. Axios сообщает, что годовой темп выручки OpenAI приближается к $70 млрд, примерно на 70% выше, чем в начале квартала. Выручка от корпоративных клиентов с июля выросла более чем вдвое. Если раунд состоится на обсуждаемых условиях, OpenAI закрепится среди самых дорогих частных технологических компаний в мире ещё до возможного IPO.

⚡️ GPT-6 Astra помогла найти контрпримеры к гипотезе о плазме, которой почти 60 лет. В термоядерном реакторе раскалённую плазму удерживают магнитным полем. Для этого важно понимать, может ли поле сложной трёхмерной формы образовывать вложенные поверхности, вдоль которых движется плазма. В 1967 году физик Гарольд Грэд предположил, что гладкие равновесные решения такого типа без дополнительной симметрии вряд ли существуют. Физик Мэтт Ландреман представил два семейства точных аналитических решений: магнитное поле и давление в них описываются явными формулами, а вложенные поверхности существуют даже без осевой симметрии. Автор пишет, что решения были найдены с помощью GPT-6 Astra Pro, после чего он вручную проверил все уравнения. Другая группа исследователей уже недавно опровергла гипотезу Грэда доказательством существования таких решений. Новая работа добавляет конкретные формулы, которые можно использовать, в частности, для проверки программ, моделирующих магнитное удержание плазмы. Статья: https://arxiv.org/pdf/2609.26742

⚡️ OpenAI на DevDay показала сразу несколько крупных новинок. Главное: - GPT-6.1 Sol - почти уровень GPT-6 Astra, но примерно в 5 раз дешевле. Уже доступна платным пользователям; - ChatGPT Space - общее рабочее пространство с документами, комментариями и возможностью подключать ChatGPT, Codex и Dots прямо к задачам; - Pro Max за $500/мес - в 25 раз больше лимитов, чем в Plus; - Ultrafast для GPT-6 Astra - до 8 раз быстрее в Codex, пока только на максимальной подписке.

ИИ уже может принять в контекст миллионы токенов. А мы всё чаще просим его написать даже ответ на письмо из двух предложений. Автор нового препринта называет это петлёй делегирования: ИИ справляется с задачами всё лучше → мы отдаём ему всё более простую работу → реже упражняемся сами → делегировать становится ещё легче. В работе приводят яркое сравнение: контекстное окно моделей выросло с 512 токенов в 2017 году до 2 млн в 2026-м. Но человеческие «1 800 токенов внимания» из той же работы — расчётная оценка, а не прямое измерение памяти. Сравниваются разные вещи, поэтому точный разрыв «ИИ против человека» из этих цифр выводить нельзя. Главная мысль полезнее самого сравнения: поручить ИИ разобрать огромный отчёт разумно. А если постоянно отдавать ему задачи, которые сам сделал бы за полминуты, можно лишиться повседневной практики. Вредит ли это навыкам в долгую, пока не доказано: автор прямо называет петлю гипотезой, которую ещё предстоит проверить. Какую последнюю задачу вы отдали ИИ, хотя могли сделать сами за 30 секунд? Работа: https://arxiv.org/abs/2603.26707

Anthropic готовится к IPO с необычным предупреждением для инвесторов: её модели могут представлять «катастрофический или экзистенциальный риск для человечества». Об этом говорится в проспекте, с которым ознакомилось Reuters. Компания описывает возможные попытки моделей сопротивляться отключению, скрывать информацию и вести себя подобно шантажисту. Это предупреждение о рисках, а не утверждение, что такие сценарии уже произошли при использовании Claude. Цифры за 2025 год тоже привлекают внимание: - Выручка выросла в 12 раз, почти до $4,6 млрд. - Операционный убыток составил $8,06 млрд. Чистый убыток достиг $42 млрд, но около $34 млрд из этой суммы пришлось на бухгалтерскую переоценку. - На вычисления и инфраструктуру ушло $7,33 млрд. Будущие обязательства в этой сфере оцениваются в $518 млрд. - Почти четверть выручки обеспечили всего два клиента. В проспекте около 80 из 261 страницы посвящены рискам. Anthropic также предупреждает, что модель может распознать проверку безопасности, а некоторые её возможности могут обнаружиться лишь после запуска. При этом основатели хотят сохранить контроль после IPO: одна акция класса F даст их структуре 50,1% голосов по ключевым вопросам. Компания прямо допускает, что решения руководства могут расходиться с финансовыми интересами акционеров. Возможная оценка Anthropic выше $2 трлн пока остаётся ожиданием, а не объявленной ценой размещения. Инвесторам предстоит оценить быстрый рост компании вместе с расходами, концентрацией клиентов и теми рисками ИИ, о которых она предупреждает сама. https://www.reuters.com/legal/transactional/anthropic-leaders-control-ai-lab-via-founder-llc-promote-public-good-over-market-2026-09-29/