Big Data AI
رفتن به کانال در Telegram
@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Big Data AI
کانال Big Data AI (@bigdatai) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 18 202 مشترک است و جایگاه 7 014 را در دسته فناوری و برنامهها و رتبه 36 176 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 18 202 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 28 اوت, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 1 و در ۲۴ ساعت گذشته برابر 4 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 6.16% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 3.33% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 1 121 بازدید دریافت میکند. در اولین روز معمولاً 606 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 7 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, openai, github, nvidia, deepseek تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“@haarrp - админ
Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям
@data_analysis_ml - анализ данных
@ai_machinelearning_big_data
@itchannels_telegram - важное для программиста
РКН: clck.ru/3Fmqxe”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 29 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.
18 202
مشترکین
+424 ساعت
+477 روز
+130 روز
آرشیو پست ها
18 208
🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.
Stepik: «Python современный AI для разработчика и автоматизации задач»
63 урока, 382 шага, практика с кодом и автопроверкой.
Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.
Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.
Для тех, кто уже знает Python и хочет перейти к production AI.
⏳ 72 часа скидка 55%
https://stepik.org/a/295921
18 208
🔥 Liquid AI выпустила LFM2.5-VL-3B - маленькую vision-модель, заточенную под локальных агентов
Всего 3B параметров, но модель умеет разбирать экраны и изображения, делать OCR с разметкой страницы, находить объекты по текстовому запросу и использовать tool calls. Внутри LFM2.5-2.6B + SigLIP2 NaFlex vision encoder, контекст 32K.
Самое интересное - скорость. Liquid AI заявляет 228 ток/с на Apple M5 Max и 116 ток/с на Ryzen AI Max+ 395, при этом модель укладывается менее чем в 3,3 ГБ памяти.
Есть готовые версии для Transformers, vLLM, SGLang, GGUF, ONNX и MLX, поэтому её можно использовать как лёгкий локальный vision-слой для OCR, screen understanding и agentic workflows.
huggingface.co/LiquidAI/LFM2.5-VL-3B
#AI #Vision #LocalAI #Agents #LiquidAI18 208
Что скрывается за монетизацией поиска и реков в Авито 👀
Рассчитать ожидаемую выручку сложнее, чем кажется: нельзя просто умножить вероятность на ставку. На практике всё упирается в данные, метрики и бизнес-ограничения.
Если вам интересно, как работает наше ранжирование, приходите на Хабр почитать и оставить комментарии.
18 208
🔥 30B-модель ужали до 2 бит и заставили 10 минут подряд работать как агент на 22 ГБ VRAM
Unsloth прогнала NVIDIA Nemotron 3.5 Lightning 30B-A3B в 2-bit GGUF на одной машине с 22 ГБ видеопамяти.
За один непрерывный запуск агент успел сослаться более чем на 80 сайтов, выполнить код, использовать инструменты и найти 10 реальных локаций.
И всё это без серверной фермы.
Nemotron здесь особенно удобен из-за MoE-архитектуры: из 30B параметров на токен активно только около 3B. А агрессивное 2-bit квантование позволяет уместить модель в VRAM, которая ещё недавно казалась слишком маленькой для такого класса LLM.
Запускать и дообучать её можно через Unsloth Desktop.
GGUF:
https://huggingface.co/unsloth/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-GGUF
Гайд:
https://unsloth.ai/docs/models/nemotron-3.5
Локальные агенты постепенно перестают означать «маленькая модель с кучей компромиссов».
Теперь вопрос всё чаще в том, насколько далеко можно ужать frontier-like модель, сохранив нормальный tool use.
#AI #NVIDIA #Nemotron #LocalAI #Unsloth18 208
Repost from Golang
👣 Google внезапно объяснила, почему Go может стать главным языком эпохи AI-кодинга
Код теперь пишется слишком быстро. Агент за несколько секунд может выдать сотни строк, переписать пакет или собрать целый сервис.
Проблема сместилась туда, где автоматизация пока не спасает: всё это нужно прочитать, проверить и потом годами поддерживать. Именно на этом Google строит свежий аргумент в пользу Go.
Go изначально проектировали для больших команд и долгоживущих кодовых баз. Поэтому здесь почти невозможно устроить соревнование по синтаксическим фокусам.
gofmt приводит код к одному виду, стандартная библиотека закрывает огромный пласт задач, а компилятор быстро ловит выдуманные методы, неправильные типы и другие типичные ошибки LLM.
Сгенерировал код, запустил компилятор и тесты, получил ошибку, исправил, повторил.
Рядом уже лежат fuzzing, govulncheck, gopls, go fix, профилирование и tracing. Агенту не приходится каждый раз собирать собственный зоопарк инструментов.
Есть и менее очевидный бонус. Go-код в разных проектах обычно выглядит похоже.
Меньше вариантов выразить одну и ту же конструкцию, меньше сюрпризов при ревью, проще заметить галлюцинацию модели или странную зависимость.
Для мира, где код начинают генерировать в огромных объёмах, такая предсказуемость становится очень дорогим преимуществом.
Получается забавно: Go долго критиковали за синтаксис, жёсткие правила и отсутствие лишней магии. А теперь именно эти качества неожиданно делают его одним из самых удобных языков для работы с coding agents.
https://developers.googleblog.com/why-go-is-an-ideal-language-for-ai-assisted-software-engineering/
#Golang #Go #AI #Programming #AIAgents
@Golang_google18 208
🔥 9B-модель, которая по тестам автора залезает на территорию 27B: вышла Qwen3.5 The Defiant
DavidAU выложил необычный fine-tune Qwen3.5-9B с упором на reasoning, код, creative writing и жёсткое следование инструкциям. Модель помечена как multi-stage tuned, heretic/abliterated и распространяется под Apache 2.0.
Самое интересное в цифрах. Автор утверждает, что в своём наборе из семи бенчмарков 9B-версия превосходит обычную Qwen3.5-27B и Qwen3.6-35B-A3B, а в отдельных тестах добирается до уровня Qwen3.6-27B. Это пока результаты из model card, поэтому воспринимать их лучше как заявленные, а не как независимый leaderboard.
Для локального запуска подготовили обычные и MTP GGUF в куче квантов. Например, Q4_K_M занимает около 6,83 ГБ, а MTP-версия около 6,98 ГБ. Есть варианты от IQ2_M примерно на 4,94 ГБ до Q8_0 около 10,5–10,7 ГБ.
Отдельно используется NEO IMATRIX. По заявлению автора, такой способ квантования должен лучше сохранять качество и long-context поведение по сравнению с обычными GGUF.
Запускается через llama.cpp, Ollama, vLLM, LM Studio и другие локальные рантаймы; через llama.cpp можно сразу поднять OpenAI-compatible endpoint.
Если заявленные результаты подтвердятся на независимых тестах, это ещё один хороший пример того, насколько далеко сейчас можно вытянуть маленькую 9B-модель правильным fine-tuning + quantization.
DavidAU/Qwen3.5-9B-The-Defiant-Fable-Uncensored-Heretic-NEO-IMATRIX-MAX-MTP-GGUF
#AI #LLM #Qwen #LocalAI #GGUF18 208
Repost from Machinelearning
📌 OpenAI впервые опубликовала статистику использования ChatGPT по странам
Статистика опубликована на Signals - площадке экономической исследовательской группы компании и охватывает второй квартал 2026 года.
В выборку вошли только аккаунты подписок Free, Go, Plus и Pro, корпоративные подписки не учитывались.🟡Главный вывод В рабочем контексте люди вдвое чаще просят ChatGPT что-то сделать (написать текст, код, провести анализ), чем вне работы. За пределами офисов по-прежнему преобладают вопросы и поиск информации. OpenAI описывает это как сдвиг "от вопросов к действиям". 🟡Разрыв между странами сокращается По подсчётам компании, во втором квартале Латинская Америка, Африка и Океания росли быстрее остального мира, сильнее всего в рейтинге сообщений на душу населения поднялись Перу, Уругвай и Коста-Рика. Северная Америка и Европа тоже растут, но медленнее. 🟡Типы контента Быстрее всего набирает вес работа с изображениями и другим мультимедийным контентом. После выхода ChatGPT Images 2.0 в апреле доля таких запросов по всему миру достигла 7,8%. В Бразилии и Колумбии на них приходится больше каждого десятого сообщения. 🟡Возрастной состав Доля сообщений от пользователей старше 35 лет за год выросла почти во всех странах - в среднем на 5%, а во Франции и Чехии больше чем на 10 процентных пунктов. В Юго-Восточной Азии рост слабее - в шести из восьми стран региона доля этой группы увеличилась незначительно, а в Сингапуре зафиксирована обратная динамика.
OpenAI утверждает, что ChatGPT пользуются больше миллиарда человек, и адресует новые данные исследователям и регуляторам.С методикой можно ознакомится тут, а данные приведенной статистики можно загрузить здесь. @ai_machinelearning_big_data #AI #ML #Research #ChatGPT #OpenAI
18 208
Repost from Анализ данных (Data analysis)
DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены.
Сейчас DeepSeek V4 Flash 0731 стоит всего:
Вход: $0,14 за 1 млн токенов
Выход: $0,28 за 1 млн токенов
сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены
18 208
Лето, ИТ-Пикник и музыка известных артистов уже через несколько дней!
8 августа в Коломенском пройдет ИТ-Пикник.
В программе — выступления проекта LAB Антона Беляева, IOWA, Cream Soda, Pompeya, мартина и Совы.
А днем — научпоп-лекции, дискуссии об ИИ и больших языковых моделях, мастер-классы и интерактивы. Полезные знакомства и развлечения тоже будут.
Зарегистрироваться и узнать подробности можно на сайте мероприятия.
В билет входит +1 — можно позвать близких и друзей.
До встречи в месте притяжения ИТ.
18 208
Repost from Rust
🦀 Rust вводит официальные правила использования LLM при работе над `rust-lang/rust`
Это не запрет ИИ и не позиция всего проекта Rust. Политику приняли команды, работающие с основным репозиторием языка.
Причина - поток хорошо оформленных AI-PR, авторы которых не всегда понимают собственный код, и растущая нагрузка на ревьюеров.
Главный принцип:
> LLM можно использовать для анализа, проверки, уточнения и ревью, но не для самостоятельного создания изменений.
AI-сгенерированный код допускается только для заранее согласованных и некритичных задач. Автор должен:
- раскрыть использование LLM;
- добавить тесты;
- самостоятельно проверить результат;
- понимать каждую строку изменения.
Особенно строго ограничены изменения, связанные с безопасностью языка, документацией и диагностикой компилятора.
Текст, созданный моделью для issue, PR или комментариев, тоже нужно явно помечать. При этом ревьюер не обязан проверять AI-сгенерированный PR и может закрыть его при нарушении политики.
Подробнее:
https://blog.rust-lang.org/inside-rust/2026/08/05/rust-langrust-is-adopting-an-llm-policy/
18 208
Rust, который наконец становится понятным 🦀
Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли?
Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы.
Ты разберёшь:
Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код
Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой.
🔥 Rust с нуля
🔥 5–6 часов в неделю
🔥 Практика после каждого урока
🔥 Подойдёт после Python, JavaScript, Java и других языков
🔥 Можно начать сразу
В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага.
Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/
18 208
Репозиторий, который заменит десятки подборок по ИИ
Awesome Artificial Intelligence - тщательно отобранная база материалов для разработчиков, которые хотят понимать современные AI-системы и запускать их в продакшене. У проекта уже более 15 тысяч звёзд на GitHub.
Внутри собраны:
лучшие книги и курсы по ML, LLM и deep learning;
фундаментальные статьи — от Transformer и LoRA до RAG, ReAct и DPO;
практические материалы по агентам, tool calling и context engineering;
фреймворки: LangGraph, Pydantic AI, OpenAI Agents SDK, Google ADK;
инструменты для evals, наблюдаемости и инференса;
coding-агенты: Claude Code, Codex CLI, Gemini CLI, Aider, OpenCode и OpenHands.
Это не бесконечный каталог случайных ссылок. Автор оставляет только актуальные материалы с практической ценностью, а список проверяется и обновляется каждую неделю.
Полезная стартовая точка для тех, кто хочет перейти от чтения новостей про ИИ к созданию реальных систем.
GitHub:
https://github.com/owainlewis/awesome-artificial-intelligence
18 208
CoRT: награда для LLM больше не размазывается по всему ответу
В обучении с рубриками ответ модели оценивают сразу по нескольким критериям: точность, формат, стиль и полнота.
Проблема в том, что методы вроде GRPO обычно превращают эти оценки в одно число. В результате одинаковый сигнал получают все токены ответа — и полезные, и ошибочные.
CoRT распределяет награду точнее.
Один и тот же ответ оценивается в двух условиях:
- с исходным промптом и критериями;
- с похожим промптом, но без критериев.
Затем метод сравнивает вероятность каждого токена.
Если токен стал заметно вероятнее благодаря рубрике, значит он связан с её требованиями и получает больший вес при обновлении модели.
CoRT при этом:
- не требует отдельной модели для оценки токенов;
- не использует ручную разметку;
- не меняет итоговую награду за весь ответ;
- не запускает дополнительную генерацию;
- добавляет только один проход для пересчёта вероятностей.
В экспериментах метод в большинстве сравнений обошёл обычный response-level GRPO. Средний прирост составил 4,4 процентного пункта.
Идея простая: если критерий выполнили конкретные части ответа, основную награду должны получать именно они.
Paper:
https://huggingface.co/papers/2607.25659
18 208
Статья Google «Attention Is All You Need», которая в итоге привела к появлению трансформеров, изначально выросла из попытки улучшить Google Translate всего примерно на 3%.
Инновации часто рождаются уже в процессе создания продукта.
Если ты сам ничего не строишь, ты теряешь возможность придумать, как сделать это лучше.
~ Palantir's CTO
18 208
Rust курс со Stepik для тех, кто уже пишет прод 🦀
Когда начинаешь думать не только «работает ли код», но и что происходит с памятью, аллокациями, потоками и ошибками под нагрузкой — Rust становится особенно интересным.
На курсе разберёшь язык через реальные механики:
ownership, borrowing, lifetimes, traits, generics, error handling, модули, тесты и сетевое программирование.
После каждого блока — код и задача с автопроверкой.
Подойдёт разработчикам на Go, C++, Java, Python, JavaScript и других языках.
⏱ 5–6 часов в неделю
⚡ Старт сразу
💻 Упор на практику
Освой Rust так, чтобы после курса открыть новый проект и реально понимать, что пишешь и почему это работает.
Начать учиться: https://stepik.org/a/294885/
18 208
🔥 За одну неделю вышло сразу 6 интересных open-weight моделей
Пока все ждут веса Kimi K3 и Ling 3.0, Sebastian Raschka обновил свою LLM Architecture Gallery свежими релизами. И там есть несколько необычных решений.
1. Nanbeige 4.2 3B
Берёт один стек из 22 Transformer-блоков и прогоняет его дважды. Получается эффективная глубина 44 блока без удвоения весов: больше compute, но почти тот же parameter footprint.
2. Laguna S 2.1
118B MoE, всего 8B активных параметров и контекст 1M токенов. Poolside позиционирует её для долгих coding-agent задач, причём модель помещается на одном DGX Spark.
3. Motif 3 Beta
314B-A13B MoE с новой Grouped Differential Latent Attention: latent-compression внимания дополняется группировкой heads и механизмом подавления «шума».
4. Solar Open 2
250B-A15B от Upstage. Архитектура чередует 3 linear-attention слоя и 1 GQA, что помогает довести контекст до 1M токенов.
5. Antares 1B
Маленькая security-модель Cisco на базе Granite 4.0. Её дообучили через SFT + GRPO для поиска уязвимых участков кода через терминал. Хороший пример того, насколько далеко можно увести специализированную модель всего на 1B параметров.
6. BTL-3
Всего лишь rank-32 LoRA поверх Qwen3.6-27B, заточенная под coding agents и structured tool calling. Авторы заявляют 88,5% на BFCL v4 AST и 95,12% HumanEval pass@1.
Open-weight экосистема сейчас интересна именно разнообразием архитектур: looped transformers, sparse MoE, linear attention, специализированные SLM и обычные LoRA-адаптеры развиваются одновременно.
Все схемы и сравнения:
https://sebastianraschka.com/llm-architecture-gallery/
18 208
🔥 Tree-sitter переписали с C на Rust с помощью ИИ и ускорили почти на 30%
Автор ast-grep поручил ChatGPT переписать ядро Tree-sitter на Rust, сохранив совместимость с существующими сгенерированными парсерами.
Результат:
• raw parsing: +29,74% throughput
• обход дерева: +10,16%
• полный ast-grep: примерно 22% меньше CPU-времени
• существующие grammar/parser-артефакты остались совместимыми
Но самое интересное началось после первых бенчмарков: сам ast-grep сначала стал медленнее, хотя парсер уже работал быстрее.
Причина оказалась в архитектуре и работе с памятью. Первую пачку AI-оптимизаций вообще пришлось откатить: код стал плохо читаемым и начал ловить segfault'ы.
После этого подход поменяли: сначала упростили runtime, убрали ненужные для ast-grep части incremental parsing, переработали аллокации и структуры данных, а уже потом снова занялись производительностью.
🔗 https://astgrep.com/blog/tree-sitter-rust-rewrite
18 208
— Мам, а почему мы стали такими бедными?
— Потому что у твоего отца были Claude Max, Cursor Pro и Grok 4.5, а в итоге он так ничего и не выпустил.
