Анализ данных (Data analysis)

США снова открыли доступ к Claude Mythos 5 от Anthropic для более чем 100 одобренных организаций. Теперь доступ к Mythos 5 получат более 100 компаний и институтов, включая многие компании из Fortune 500. «Я определил, что необходимые меры безопасности соблюдены, чтобы разрешить отдельным доверенным партнёрам доступ к модели Claude Mythos 5», - написал министр торговли Говард Латник в пятницу Тому Брауну, chief compute officer Anthropic. Точный список Annex A не был опубликован. Ранее публичная founding group Project Glasswing включала AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorgan Chase, Linux Foundation, Microsoft, NVIDIA и Palo Alto Networks. Но этот публичный список партнёров не является тем же самым, что секретный список Annex A. Похоже, правительство делает приоритет на институтах, где defensive upside выше, а риск misuse проще контролировать: cloud providers, chip-компании, vendors операционных систем, security-компании, банки, операторы инфраструктуры и федеральные агентства. https://www.semafor.com/article/06/27/2026/us-releases-powerful-anthropic-model-mythos-to-some-us-companies

Anthropic начала возвращать доступ к Claude Mythos 5, но пока не всем. Компания заявила, что с 12 июня работала с правительством США, чтобы восстановить доступ к Claude Mythos 5 и Fable 5. Теперь власти разрешили снова развернуть Mythos 5 для части американских организаций, которые занимаются эксплуатацией и защитой критической инфраструктуры. Anthropic называет Mythos 5 своей самой сильной моделью для кибербезопасности. То есть доступ возвращают не глобально, а сначала тем структурам, которые работают с инфраструктурой, безопасностью и защитой систем. Параллельно компания продолжает переговоры с правительством, чтобы расширить доступ к Mythos 5 и снова сделать Fable 5 доступной для общего использования. Ситуация хорошо показывает новый режим для frontier-моделей: релиз уже зависит не только от самой лаборатории, но и от согласований с государством. https://x.com/AnthropicAI/status/2070665903440871779

OpenAI показала GPT-5.6 Sol. Это новый флагман в линейке GPT-5.6. Вместе с ним идут Terra - более сбалансированная модель для повседневной работы, и Luna - быстрый и дешёвый вариант. Главный фокус Sol: сложные агентные задачи, кодинг, биология и кибербезопасность. Появляются два важных режима: • max — больше времени на глубокое рассуждение • ultra — работа через субагентов для сложных процессов Пока GPT-5.6 доступен только в ограниченном preview для доверенных партнёров через API и Codex. Более широкий запуск в ChatGPT, Codex и API обещают позже. https://openai.com/index/previewing-gpt-5-6-sol/

Это очень сильный отчёт - The State of the AI Economy от Exponential View. Главная идея: AI-экономика уже стала реальным рынком, а не только хайпом вокруг инфраструктуры. Ключевые цифры: • $110 млрд реальной AI-выручки за последние 12 месяцев после удаления двойного счёта. То есть если $1 потратили на Claude, он считается один раз, даже если часть денег потом ушла Amazon или другому инфраструктурному провайдеру. • $175 млрд - текущий annualized run rate. Это показывает резкое ускорение рынка. Считаются расходы конечных клиентов, а не деньги, которые просто проходят по цепочке поставщиков. В расчёт не включали Китай, внутреннюю экономию компаний от AI, рост рекламы, консалтинг и системную интеграцию. Темпы роста примерно в 3 раза быстрее, чем у мобильного интернета и обычного интернета на ранних этапах. Скорость формирования выручки резко выросла: новый $1 млрд AI-выручки теперь появляется меньше чем за 2 дня. В 2023 году на это уходило около 180 дней. Enterprise AI уже вышел за рамки пилотов, но глубокое внедрение на уровне всей компании всё ещё только начинается. Упоминания AI появились в отчётных звонках у 31% отслеживаемых компаний из S&P 500. Но только 20% компаний дали конкретные численные оценки влияния AI на бизнес. Интересный момент по инфраструктуре: AI-выручка hyperscalers пока примерно покрывает амортизацию AI-инфраструктуры. Но экономика GPU сильно зависит от предположения, что вычислительное оборудование будет использоваться около 6 лет. Для другой AI-инфраструктуры срок моделируют примерно на 14 лет. Снижение цен на токены не обязательно снижает выручку. Каждое снижение цены токенов на 10% приводит к росту использования токенов примерно на 12-18%. Это значит, что спрос на AI выглядит эластичным по цене: чем дешевле становится AI, тем быстрее растёт использование. Главные ограничения для будущего масштабирования - доступность электроэнергии и стоимость дата-центров. intelligence.exponentialview.co

Превью Anthropic Mythos, как сообщается, подтолкнуло DeepSeek к привлечению $7,4 млрд, потому что компания не могла конкурировать с Mythos. До этого трёхлетняя китайская AI-лаборатория полагалась на личное состояние CEO Ляна Вэньфэна, а не на внешний капитал. The Information сообщает, что перелом произошёл после апрельского preview Mythos от Anthropic. Лян, как утверждается, пришёл к выводу, что DeepSeek не сможет конкурировать на таком уровне без гораздо большего финансового резерва. Теперь DeepSeek активно расширяется: сейчас в компании около 300 сотрудников, а штат планируют «как минимум удвоить» в направлениях AI systems, infrastructure, product и research. https://www.theinformation.com/articles/anthropics-mythos-spooked-deepseek-prompting-7-4-billion-fundraising

🚨 Правительство США будет решать, кто получит доступ к GPT-5.6. OpenAI выпустит GPT-5.6 только в формате ограниченного preview для небольшой группы партнёров. Сэм Альтман сказал сотрудникам, что правительство будет «одобрять доступ отдельно для каждого клиента». Министр торговли Говард Латник лично звонил Альтману с предупреждением: не запускать модель без согласований с другими ведомствами. Это уже де-факто режим лицензирования. https://www.theinformation.com/articles/trump-administration-asks-openai-stagger-release-new-model-security-concerns

🌺 Релиз Ornith-1.0 - новое семейство open-source LLM, специализированных под agentic coding. Ornith-1.0 выходит в разных размерах: • 9B Dense • 31B Dense • 35B MoE • 397B MoE Модели показывают state-of-the-art результаты среди open-source моделей сопоставимого размера на coding-бенчмарках: • Terminal-Bench 2.1 — 77.5 • SWE-Bench — 82.4 на verified, 62.2 на pro, 78.9 на Multilingual • NL2Repo — 48.2 • SWE Atlas — 41.2 на QnA, 42.6 RF, 39.1 TW • ClawEval — 77.1 Ornith-1.0 дообучали поверх Gemma 4 и Qwen 3.5. Reinforcement learning используется не только для генерации решений, но и для создания task-specific scaffolds, которые направляют эти решения. То есть модель совместно улучшает и «каркас» задачи, и итоговое решение. За счёт этого она генерирует более качественные ответы в agentic coding. Все модели выпущены под MIT-лицензией, поэтому их можно использовать и в коммерческих, и в исследовательских проектах. 📖Tech Blog: http://deep-reinforce.com/ornith_1_0.html 🤗Huggingface: http://huggingface.co/collections/deepreinforce-ai/ornith-10

Google добавили computer use в Gemini 3.5 Flash. Теперь модель может вызывать функции, а работать с интерфейсом как пользователь: видеть экран, понимать задачу, нажимать, проверять и продолжать действие. Раньше computer use был отдельной моделью, теперь это часть основной Gemini Flash. Отдельно добавили защиту: подтверждение чувствительных действий и остановку задач при подозрении на prompt injection. https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/

🖥 IBM показала технологию чипов ниже 1 нанометра. Речь о 0,7 нм, или 7 ангстремах. Это уже масштаб, где индустрия упирается почти в атомные размеры. В чипе представлена новая 3D-архитектура nanostack. Вместо того чтобы просто уменьшать транзисторы, IBM предлагает укладывать их слоями и плотнее размещать внутри чипа. Что обещают: • почти 100 млрд транзисторов на чипе размером с ноготь • до 50% больше производительности • или до 70% выше энергоэффективность по сравнению с 2 нм • более плотную SRAM для AI-нагрузок. IBM говорит о пути к производству примерно в ближайшие 5 лет. https://newsroom.ibm.com/2026-06-25-ibm-debuts-worlds-first-sub-1-nanometer-chip-technology

Qwen показали Qwen-AgentWorld - модель, которая учится симулировать среду, в которой агент действует. Обычно LLM тренируют лучше пользоваться инструментами: искать, писать код, кликать по вебу, работать с терминалом. А здесь идея другая: научить модель моделировать сами окружения. Qwen-AgentWorld симулирует 7 типов агентных сред: • MCP • Search • Terminal • SWE • Web • OS • Android То есть модель пытается предсказывать, что произойдёт после действия агента в среде. Не пост-фактум адаптация, а цель обучения с первого дня. Если языковая модель умеет моделировать окружение, её можно использовать как тренировочную площадку для агентов. Авторы идут по двум направлениям: 1. построить foundation model для симуляции сред 2. проверить, усиливает ли world modeling обучение агентов Самое интересное: по их данным, agentic RL в контролируемой симуляции может быть эффективнее, чем обучение в реальных средах. А предварительное обучение на предсказание окружений усиливает агентов даже без отдельного agent-specific fine-tuning. Грубо говоря, это шаг к «тренажёру реальности» для AI-агентов. Paper: https://arxiv.org/abs/2606.24597 Blog: https://qwen.ai/blog?id=qwen-agentworld GitHub: https://github.com/QwenLM/Qwen-AgentWorld HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld

Почему разрыв между академическим ML и реальными задачами до сих пор существует — и как его сокращают Авито, МФТИ и ВШЭ Авито открыл набор на три магистратуры с МФТИ и ВШЭ — программы, построенные на реальных задачах компании. Суть простая: бизнес зашёл в университет не деньгами, а экспертизой. В разработке участвовало 300+ сотрудников, преподают действующие специалисты. Дальше всё так: • Студент с первого дня работает с кейсами живых продуктов, а не с учебными датасетами. • Выпускник выходит с опытом, который обычно нарабатывают первые полгода на позиции. Три направления: «Прикладное машинное обучение и анализ данных» с МФТИ, «Машинное обучение в цифровом продукте» с ФКН ВШЭ и «Управление продуктом в IT-бизнесе» с ВШБ ВШЭ — для продактов, с прицелом на уровень middle. Поступить можно из любого региона России. Подробнее по ссылкам: МФТИ ВШЭ (ML) ВШЭ (продакт)

Anthropic утверждает: Alibaba продолжает в больших масштабах дистиллировать Claude для обучения Qwen. Источник - Bloomberg. Anthropic обвиняет операторов, связанных с Alibaba, в масштабной кампании по незаконному доступу к Claude через почти 25 000 фейковых аккаунтов. По данным Bloomberg, Anthropic заявляет, что в рамках этой кампании с апреля по июнь было сгенерировано 28,8 млн обменов с Claude. Целью были способности вроде software engineering и agentic reasoning. Компания считает это частью более широкой схемы «adversarial distillation», когда китайские лаборатории якобы собирают ответы американских frontier-моделей, чтобы обучать конкурирующие системы за гораздо меньшие деньги. Посмотрим, насколько хорошим будет Qwen 3.8. Возможно, он окажется FABLEous хорош. https://www.bloomberg.com/news/articles/2026-06-24/anthropic-accuses-alibaba-of-illicitly-accessing-its-ai-models

📌 WSJ: коммерческие сделки OpenAI связаны с ростом личных инвестиций Сэма Альтмана The Wall Street Journal со ссылкой на судебные документы, ставшие публичными в ходе процесса "Маск против OpenAI", опубликовала расследование о том, что контракты OpenAI повышали оценку стартапов, в которые лично вкладывается Сэм Альтман.

Для контекста: Альтман не владеет долей в самой OpenAI, поэтому его доходы зависят от внешних инвестиций.

🟡Механизм OpenAI заключает контракт или соглашение о сотрудничестве, что поднимает оценку стартапа. Затем крупные акционеры OpenAI (например, Thrive Capital) или партнёры (SoftBank) выкупают доли стартапа, от чего личное состояние Альтмана растёт, так как он является их инвестором. 🟡Helion В 2025 году Сэм предлагал OpenAI вложить около $500 млн в термоядерный стартап Helion. Часть сотрудников восприняла идею с настороженностью, и от прямых инвестиций компания отказалась. В марте 2026 года стороны подписали пересмотренное соглашение о сотрудничестве и тогда же Альтман вышел из совета директоров Helion, объяснив это конфликтом интересов. В июне 2026 года Helion оценили в $15,5 млрд, а личная доля Альтмана выросла как минимум до $4,1 млрд. 🟡Cerebras После того как производитель чипов получил от OpenAI обязательство о закупках и провёл IPO, стоимость доли Альтмана выросла более чем в 6 раз по сравнению с декабрём 2025 года. 🟡Retro Biosciences После соглашения о научном сотрудничестве с OpenAI доля Альтмана в этой компании по продлению жизни к декабрю 2025 года достигла $258 млн.

Всего, по данным WSJ, не менее 10 компаний из инвестиционного портфеля Альтмана имеют сделки с OpenAI.

🟡На это обратили внимание власти Комитет Палаты представителей США по надзору начал официальное расследование, а генеральные прокуроры нескольких штатов призвали Комиссию по ценным бумагам и биржам проверить деятельность главы OpenAI в преддверии IPO.

Сам Альтман и представители компаний называют сотрудничество обычной практикой.

@ai_machinelearning_big_data #news #ai #ml

Лето — время начать: освойте Data Science на выгодных условиях Хотите не просто теоретически разбираться в устройстве нейросетей, а уметь создавать их самостоятельно? Центр непрерывного образования ФКН НИУ ВШЭ предлагает присоединиться к структурированному и выстроенному практикующими экспертами обучению науке о данных. Станьте специалистом по Data Science высокого уровня: 🟣первая программа профессиональной переподготовки, получившая аккредитацию Альянса в сфере искусственного интеллекта; 🟣вы пройдете весь путь: от высшей математики и программирования до нейросетей и работы с большими данными. Программа включает курсы по ключевым дисциплинам: 🟣Математика для анализа данных; 🟣Алгоритмы и структуры данных; 🟣Программирование и автоматизация; 🟣Прикладная статистика для машинного обучения; 🟣Машинное и глубинное обучение. Специальное предложение для тех, кто запишется на ближайший запуск: ⭐️ Скидка 10% на обучение ⭐️ Курс по BI в подарок 📁Старт: 30 июня. Подробнее о программе 📍

NVIDIA CUDA-Q всё сильнее становится мостом между квантовыми вычислениями и реальными задачами. Рабочий квантовый компьютер появится не сам по себе, а через гибридный подход, где QPU работают вместе с GPU-ускоренной симуляцией. Уже сейчас экосистема двигается в эту сторону: • Aegiq и Quantum Motion развивают quantum chemistry workflows • Classiq использует CUDA-Q для поиска квантовых применений в финансах • FirstQFM показал quantum foundation models на суперкомпьютере Leonardo • Eclipse Qrisp, Fraunhofer FOKUS и Qilimanjaro строят свои решения вокруг CUDA-Q • qBraid стал CUDA-Q target и расширяет доступ к разным QPU-провайдерам • QCentroid делает QuantumOps workflows на CUDA-Q • Welinq соединяет distributed quantum compiler с GPU-ускоренной проверкой схем Гибридные workloads, GPU-симуляция, QPU-доступ и инструменты разработки - именно так квантовая индустрия будет двигаться к практической пользе. https://developer.nvidia.com/cuda-q

Самый быстрый запрос — тот, который не пришлось выполнять ✌️ Именно поэтому Redis давно стал одним из основных инструментов для ускорения приложений и снижения нагрузки на базы данных.

Но вместе с производительностью появляются новые вопросы: как работать с устаревшими данными, правильно инвалидировать кэш и не превратить ускорение системы в источник новых проблем?

Об этом поговорят на вебинаре Cloud.ru — «Эволюция приложения в облаке: как настроить кэш с Redis и ничего не сломать». 📌 30 июня, 11:00 МСК Эксперты разберут:

▶️

реальные сценарии использования Redis

▶️

стратегии кэширования

▶️

типичные ошибки, которые встречаются даже в зрелых системах

👉Зарегистрироваться👈

А если вы пропустили предыдущие «серии» — они доступны по ссылкам:

1️⃣

Эволюция приложения в облаке: как навести порядок в артефактах и образах

2️⃣

Эволюция приложения в облаке: как запустить микросервисы в Managed Kubernetes

3️⃣

Эволюция приложения в облаке: как обеспечить стабильность баз данных при росте проекта и нагрузок

OpenAI теперь идёт не только в модели, но и в железо. Компания вместе с Broadcom представила Jalapeño — первый собственный AI-чип для инференса LLM. Его задача простая: быстрее, дешевле и стабильнее запускать ChatGPT, Codex, API и будущих AI-агентов. Главное: чип сделали от идеи до tape-out всего за 9 месяцев, а в разработке помогали сами модели OpenAI. Это уже не просто гонка моделей. Это гонка полной AI-инфраструктуры: чипы, сеть, дата-центры, софт и продукты в одной связке. https://openai.com/index/openai-broadcom-jalapeno-inference-chip/

Один из лучших вводных материалов по прикладной линейной алгебре, который мне попадался. Этот курс объясняет векторы, матрицы и метод наименьших квадратов с самых основ, а затем связывает их с реальными задачами: • подгонка данных • машинное обучение • оптимизация • обработка изображений • системы управления Это материал, который можно рекомендовать студентам, инженерам и всем, кто хочет понять математический фундамент современной data science. PDF: http://web.stanford.edu/~boyd/vmls/vmls.pdf

LLM в поддержке: от шаблонов к точной работе с документами компании ✅ На открытом уроке разберём, как устроены современные решения на базе LLM, почему они не просто генерируют текст, а используют знания компании для подготовки ответов, и как такие инструменты помогают ускорять обработку обращений. На практических примерах покажем, как документы превращаются в базу знаний для ИИ, как происходит поиск информации по запросу клиента и каким образом LLM помогает оператору поддержки готовить ответы. Также поговорим о том, как подобные решения применяются в бизнесе уже сегодня. Урок пройдёт 6 июля в 20:00 МСК в преддверии старта курса «LLM-инженер». Это возможность познакомиться с современным подходом к созданию интеллектуальных сервисов, задать вопросы эксперту и понять, как внедрять подобные решения в реальные процессы компании. ➡️ Регистрация открыта: https://otus.pw/Jafm/?erid=2W5zFHM9zVf Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Oracle сократила штат на 13% за последние 12 месяцев и в годовом отчёте за понедельник упомянула внедрение AI как одну из причин. Численность сотрудников Oracle снизилась со 162 000 до 141 000 человек. Это сокращение на 13%, которое компания напрямую связала с внедрением AI в свои операционные процессы. При этом расходы Oracle на реструктуризацию выросли до $1,8 млрд против $374 млн ранее. Капитальные затраты увеличились на 162% и достигли $55,7 млрд. Свободный денежный поток упал до минус $23,7 млрд. Источник: официальный SEC 10-K компании Oracle d18rn0p25nwr6d.cloudfront.net/CIK-0001341439/0723dfa7-be5f-4227-9da6-eff3cce376a8.pdf