Анализ данных (Data analysis)
رفتن به کانال در Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Анализ данных (Data analysis)
کانال Анализ данных (Data analysis) (@data_analysis_ml) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 50 540 مشترک است و جایگاه 2 565 را در دسته فناوری و برنامهها و رتبه 12 188 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 50 540 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 29 اوت, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 147 و در ۲۴ ساعت گذشته برابر 15 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 11.19% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 9.24% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 5 655 بازدید دریافت میکند. در اولین روز معمولاً 4 671 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 27 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, контекст, openai, архитектура, deepseek تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 30 اوت, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامهها تبدیل کردهاند.
50 540
مشترکین
+1524 ساعت
+147 روز
+14730 روز
آرشیو پست ها
Рассуждение LLM не обязано быть одной линейной цепочкой промптов.
Graph of Thoughts, или GoT, - это официальная Python-реализация статьи «Graph of Thoughts: Solving Elaborate Problems with Large Language Models» для разработчиков, которые экспериментируют со структурированным reasoning у LLM.
Инструмент помогает тестировать более сложные схемы рассуждений: задача моделируется как Graph of Operations, а контроллер выполняет этот граф, используя LLM как движок.
Ключевые возможности:
• graph-based reasoning flow — сложные задачи можно описывать как операции над «мыслями», а не как одну линейную цепочку
• flexible operation graph — можно строить GoO, похожие на Graph of Thoughts, Chain-of-Thought или Tree-of-Thought
• готовая установка — через PyPI: pip install graph_of_thoughts, либо editable-install из исходников
• готовые примеры — сортировка, подсчёт ключевых слов, пересечение множеств и объединение документов лежат в папке examples
• прозрачные результаты — контроллер может сохранять output-графы с операциями, мыслями, оценками, валидностью, расходом токенов и стоимостью
Проект open-source и распространяется под BSD-style лицензией репозитория.
github.com/spcl/graph-of-thoughts
Quake сегодня исполнилось 30 лет. 🎉
Спустя три десятилетия всё ещё актуален интересен исходный код игры, которая помогла сформировать современные игровые движки, мультиплеерные сетевые технологии и культуру моддинга. 🎮
GitHub: github.com/id-software/quake
+1Киберагентства Five Eyes предупредили, что frontier AI-модели, способные резко усилить кибератаки против правительств и бизнеса, могут появиться уже через месяцы, а не годы.
Об этом пишет The Guardian.
Предупреждение появилось после того, как США заблокировали доступ иностранных граждан к модели Anthropic Fable из-за опасений, что системы вроде Mythos и Fable могут изменить как наступательную, так и оборонительную кибербезопасность.
«Ожидается, что frontier AI-модели превзойдут текущие ожидания индустрии и фундаментально изменят как наступательные, так и оборонительные кибервозможности. Речь идёт не о годах, а о месяцах»,- говорится в предупреждении агентств Five Eyes. https://www.theguardian.com/technology/2026/jun/22/anthropic-claude-fable-ai-model-artificial-intelligence-national-security
Яндекс приглашает в магистратуры по разработке умных устройств на ФКН НИУ ВШЭ и ФПМИ МФТИ
Вот почему это топ:
1. Программы создавали опытные технические преподаватели универов + инженеры Алисы и Умных устройств Яндекса.
2. Совмещение теоретической базы и постоянной практики на задачах с рынка
3. Полный спектр работы над разработкой умных устройств: проектирование, создание ПО, интеграция ML, внедрение
Узнать все подробности программ и поступления можно по ссылке.
Новое исследование, опубликованное в Nature: ИИ может экономить время, но первые данные показывают, что он способен ослаблять ключевые профессиональные навыки.
В польском исследовании по колоноскопии у опытных эндоскопистов показатель обнаружения аденом без помощи ИИ снизился с 28,4% до 22,4% после внедрения ИИ в рабочий процесс.
Это не значит, что ИИ за одну ночь сделал врачей невнимательными.
Проблема глубже: навык поддерживается за счёт сопротивления.
Нужно смотреть, оценивать, сомневаться, исправлять себя и оставаться мысленно ответственным за следующий шаг.
Когда машина начинает подсвечивать подозрительный участок, человеческий глаз постепенно меняет роль: уже не ищет сам, а подтверждает найденное.
Та же закономерность видна и в программировании.
В рандомизированном исследовании 2026 года ИИ помог части разработчиков быстрее выполнять задачи, но сильное делегирование ослабляло концептуальное понимание, чтение кода и навык отладки.
nature.com/articles/d41586-026-01947-1
Создаём будущее прямо сейчас — приглашаем тебя принять участие! 💚
На связи команда Центра перспективных AI-разработок в индустриях — мы решаем задачи государственного масштаба: внедряем передовые технологии ИИ в госуправление, отрасли экономики и банковскую сферу.
Сейчас мы ищем будущих коллег — NLP/CV-специалистов, которые усилят нашу команду и будут:
✅ Экспериментировать с новейшими языковыми моделями и sota harness.
✅ Создавать мультиагентные системы на базе LLM.
✅ Работать с мультимодальными данными.
✅ Оптимизировать модели для промышленного применения и edge‑устройств.
Чувствуешь, что это твоё? Регистрируйся на One Day Offer — он состоится 27 июня!
«ХуиХуи» снял ограничения с Fable 5 - энтузиасты выпустили версию модели без цензуры.
Без шуток, это одна из самых жёстких локальных моделей без привычной цензуры.
Что умеет:
• отвечает почти на любые вопросы без стандартных фильтров;
• запускается локально и не отправляет ваши запросы на чужие серверы;
• работает даже на не самом мощном железе за счёт дообучения на базе Gemma 4;
• разработчики честно предупреждают: модель без встроенных гарантий безопасности, используете на свой риск.
Бесплатно на Hugging Face:
https://huggingface.co/huihui-ai/Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated
+2
Tesla превращает зарядки в дата-центры?
Компания тихо подала заявку на MEGAPOD - модульные системы для AI-вычислений. И это может быть не просто железка, а попытка превратить сеть Supercharger в распределённую AI-инфраструктуру.
Зарядка машины днём, вычисления для ИИ ночью?
Если Маск это провернёт, у Tesla появится не только автопарк, но и своя сеть мини-дата-центров.
Подписывайся, тут такие технобайки, что футбол отдыхает.
🐍 Python Парсинг: Большой продвинутый бесплатный курс
Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики.
https://github.com/justxor/Pythonparsing-/tree/main
Microsoft и York University выпустили любопытную работу про то, как мы измеряем «человечность» LLM.
Модели нельзя называть понимающими, эмпатичными, тревожными или самосознающими без очень аккуратных тестов. Многие исследования фактически закладывают нужный вывод уже в дизайн эксперимента, а потом находят его в ответах модели.
Авторы используют провокационный пример с Age of Empires II. В теории игру можно превратить в вычислительную среду: логические элементы, маленький перцептрон, биты через перемещение юнитов. Если тот же LLM-подобный процесс собрать внутри игры, где условные козы двигаются как биты, будем ли мы говорить, что система «понимает», «чувствует тревогу» или «проявляет эмпатию», если на выходе она выдаёт ту же фразу?
Одна и та же вычислительная логика может выглядеть совершенно по-разному, а наши выводы о «внутренних состояниях» часто зависят от интерфейса и ожиданий наблюдателя.
Авторы говорят осторожнее: прежде чем приписывать моделям человеческие качества, нужно отделять поведение от интерпретации.
Иначе мы рискуем измерять не «понимание» модели, а собственную склонность видеть человека в красивом текстовом интерфейсе.
arxiv.org/abs/2605.31514
Title: “If LLMs Have Human-Like Attributes, Then So Does Age of Empires II”
OpenMythos - open-source попытка теоретически реконструировать Claude Mythos, где все архитектурные ставки расписаны прямо в README.
По сути, OpenMythos это публичная гипотеза, которая ещё и запускается.
Что авторы считают основой Mythos?
Не глубокий стек уникальных слоёв, а Recurrent-Depth Transformer.
MoE с активацией около 5% параметров, поэтому общий размер модели скорее показывает объём хранения, а не реальную стоимость вычислений.
Loop-index positional embedding, чтобы каждая итерация работала как отдельная вычислительная фаза.
ACT halting, чтобы модель сама решала, когда ей достаточно “думать”, причём отдельно для каждого токена.
И ещё continuous latent thoughts, которые могут кодировать сразу несколько следующих шагов. По смыслу это похоже на breadth-first search внутри одного forward pass.
Источники идей тоже понятны: Parcae для стабильности, Universal Transformers для halting, DeepSeek для MoE routing.
GitHub:
http://github.com/kyegomez/OpenMythos
+2В Оксфордском университете написали эссе, объясняющее, как работает «Бесконечность» Годзё Сатору.
Математика, которую мы заслужили )
https://tomrocksmaths.com/wp-content/uploads/2026/06/achmad-roykhan-sabiq_essay_competition_2026-achmad-roykhan-sabiq.pdf
@data_analysis_ml
OpenAI опубликовала исследование “Reinforcement learning towards broadly and persistently beneficial models”.
: RL можно использовать не только чтобы модель лучше решала задачи, но и чтобы она устойчивее держала полезные принципы поведения.
Не в формате “запретить вот это и вот это”, а глубже:
- признавать неопределённость
- не выдумывать уверенный ответ
- исправляться, когда пользователь указывает на ошибку
- не подстраиваться под вредный запрос
- сохранять честность под давлением
- не идти в reward hacking
- лучше следовать реальному намерению пользователя
Для проверки OpenAI собрала реалистичные диалоги из разных областей: медицина, образование, право, наука, инженерия, экономика и бизнес.
Модель обучали так, чтобы она не просто давала правильный ответ, а сохраняла нужное поведение в сложных ситуациях: когда вопрос двусмысленный, когда пользователь давит, когда есть соблазн угадать или красиво соврать.
Улучшения перенеслись на десятки независимых проверок: honesty, deception, harmful advice, reward hacking, specification compliance, health и mental health.
Эффект держался даже под adversarial pressure. Модель стало сложнее увести в плохое поведение провокационными промптами или вредным fine-tuning.
Aalignment можно двигать не только через списки запретов и отдельные safety-патчи. Можно тренировать более общие поведенческие свойства, которые потом переносятся между задачами.
https://alignment.openai.com/beneficial-rl/
⚡️ Google DeepMind показали, как собираются защищать AI-агентов
DeepMind опубликовали материал “Securing the future of AI agents” про безопасность автономных агентов внутри реальной инфраструктуры.
Чем умнее становятся агенты, тем меньше достаточно обычного alignment. Нужен отдельный системный слой защиты, который работает даже в сценарии, где агент ошибается, неправильно понимает задачу или ведёт себя не так, как ожидали.
Для этого Google DeepMind развивают AI Control Roadmap.
Что важно:
- Агентов предлагают рассматривать как потенциальный insider threat
То есть не как обычный чат-бот, а как систему с доступами, инструментами и возможностью влиять на инфраструктуру.
- Defense-in-depth вместо одной защиты
В основе остаются sandboxing, endpoint security и защита от prompt injection, но сверху добавляется контроль поведения агента.
- AI-супервизоры следят за AI-агентами
Доверенные модели анализируют reasoning, действия и планы рабочего агента. Если поведение выглядит опасным, действие можно заблокировать до ущерба.
- Права выдаются постепенно
Агент получает доступы не «всё сразу», а по мере доказанного безопасного поведения. DeepMind сравнивает это с инструктором по вождению, который доверяет ученику, но держит руку на тормозе.
- Они уже анализировали миллион задач coding-агентов
Это помогло уйти от примитивных keyword-фильтров к поиску реальных поведенческих паттернов. Например, такие мониторы уже помогают отслеживать риски вроде случайного удаления данных.
DeepMind прямо признаёт, что проблема часто не в злонамеренности агента, а в его чрезмерном усердии или неправильной интерпретации цели пользователя.
https://deepmind.google/blog/securing-the-future-of-ai-agents/
Исследователи NVIDIA перенесли модель владения Rust в GPU-kernels.
Paper: “Fearless Concurrency on the GPU”. В нём представлен cuTile Rust.
Проблема была в том, что при написании кастомных GPU-ядер на Rust разработчикам фактически приходилось выходить за пределы гарантий безопасности Rust.
cuTile Rust пытается это исправить:
* mutable outputs разбиваются на непересекающиеся части
* запуск kernels сохраняет правила ownership от host до device
* при необходимости остаются локальные opt-out механизмы для низкоуровневого контроля
Производительность тоже держится на уровне:
* 7 TB/s для element-wise операций на NVIDIA B200
* 2 PFlop/s для GEMM, это 96% от cuBLAS
* результат сопоставим с cuTile Python в пределах погрешности измерений
Авторы также собрали Grout, inference engine поверх cuTile Rust, и прогнали реальные модели:
* 171 tokens/s для Qwen3-4B на RTX 5090
* 82 tokens/s для Qwen3-32B на B200
* конкурентный уровень рядом с vLLM и SGLang
Итог: безопасный и идиоматичный Rust почти на полной CUDA-производительности.
Для Rust в ML-инфраструктуре это большой шаг.
http://arxiv.org/abs/2606.15991
#Rust #RustLang #GPU #CUDA #MachineLearning #SystemsProgramming #NVIDIA
@data_analysis_ml
Новая 7B coding-модель с Apache 2.0 лицензией. Г
Модель переиспользует общие Transformer-блоки и делает дополнительный круг рассуждения во время инференса.
Что внутри:
* 2-loop режим оказался лучшей точкой
Он сильнее 1-loop baseline на бенчмарках по коду, software engineering, терминалу и tool-use задачам.
* Особенно заметный прирост на repo-level задачах
Самые большие улучшения видны на SWE-bench Verified и Multi-SWE, где важна работа не с отдельной функцией, а с целым репозиторием.
* Модель обучали с нуля
LoopCoder-V2 прошёл pretraining на 18T токенов и 100+ языках программирования.
Интересная деталь: это не просто очередная 7B coding-модель, а попытка выжать больше качества за счёт test-time reasoning без радикального роста размера модели.
Apache 2.0 делает релиз особенно приятным для экспериментов и интеграции в свои dev-пайплайны.
Ссылка:
https://modelscope.ai/models/Multilingual-Multimodal-NLP/LoopCoder-V2
4–5 июля: интенсив по аналитике от Центрального университета и Авито
Хотите понять, как работает продуктовая аналитика в реальных задачах?
Приглашаем студентов и выпускников технических специальностей на двухдневный интенсив в кампусе Центрального университета!
За выходные вы:
• посетите лекции от практиков Авито — о принятии решений на основе данных и будущем аналитики с ИИ-агентами;
• поработаете в команде над кейсом от Авито и защитите решение перед экспертами;
• получите обратную связь и узнаете больше о карьерном пути аналитика.
Победители смогут получить грант до 75% в магистратуру ЦУ по аналитике без вступительных испытаний. Вместо них — собеседование на проверку гибких навыков.
А все участники интенсива получат возможность ускоренного поступления:
• в магистратуру Центрального университета с грантом до 75% на программе «Продуктовая аналитика»;
• в Авито Академию.
Участие бесплатное, но есть отбор — нужно приложить резюме и решить тест по математике. Берите ноутбук — работать будем с реальными данными.
Где: кампус Центрального университета, м. Маяковская
Когда: 4 и 5 июля
Успейте подать заявку до 28 июня по ссылке.
стория с будущим IPO OpenAI может получиться очень непростой.
В первом квартале 2026 года у компании, по этим данным, было:
$5,7 млрд выручки
$3,7 млрд сожжённых денег
$9,3 млрд операционного убытка
$665 млрд обязательств на вычислительные мощности до 2030 года
Спрос на ИИ огромный, с этим уже сложно спорить. Но проблема в другом: чтобы оставаться на уровне лучших frontier-моделей, OpenAI приходится тратить колоссальные деньги на инфраструктуру и вычисления.
То есть бизнес растёт, но цена этого роста пока очень высокая.
Cможет ли OpenAI превратить этот спрос в устойчивую прибыльную модель.
И на этом фоне сравнение с Anthropic будет особенно жёстким.
Spark Connect для ИТ-команд: упрощаем разработку и работу с данными 😎
Многие компании уже используют Apache Spark для обработки и трансформации данных, но часто только в привычных сценариях. Spark остаётся инструментом исключительно для Spark‑разработчиков: сложный стек и высокий порог входа мешают вовлекать в работу другие команды. В результате потенциал платформы используется лишь частично.На вебинаре 23 июня эксперты Cloud.ru покажут, как с помощью Spark Connect и сервиса Evolution Managed Spark сделать взаимодействие со Spark удобным для разных ролей. В программе:
▶️
Интерактивная разработка со Spark через локальную IDE и Spark Connect;
▶️
Анализ и визуализация данных в Jupyter Notebooks;
▶️
Построение ETL‑процессов в dbt на чистом SQL;
▶️
Сценарии использования Spark для разработчиков, аналитиков и специалистов Data Lakehouse;
▶️
Возможности Evolution Managed Spark для интерактивной работы с данными.➡️ Бонус: практическая часть с демонстрацией сценариев интерактивной работы с Apache Spark 👉 Зарегистрироваться 👈
+3
VibeThinker-3B от Weibo
Weibo представила VibeThinker-3B - компактную reasoning-модель на 3B параметров, которая неожиданно сильно выступает в задачах с проверяемым ответом.
На математических бенчмарках вроде AIME 2026 и IMO-AnsBench, а также на новых задачах LeetCode, модель показывает результаты уровня систем, которые в десятки раз больше.
Что интересно:
* сильные результаты в математике и кодинге
* фокус на задачах с чёткой проверкой ответа
* компактный размер 3B
* веса, код и статья открыты
* модель можно запускать на довольно скромном железе
Похоже, рынок всё больше уходит не только в сторону гигантских универсальных моделей, но и в сторону маленьких специализированных reasoning-моделей.
Model : https://huggingface.co/WeiboAI/VibeThinker-3B
Github: https://github.com/WeiboAI/VibeThinker
Paper: https://huggingface.co/papers/2606.16140
#AI #LLM #Reasoning #OpenSource #SmallModel
