AI VK Hub
رفتن به کانال در Telegram
2 482
مشترکین
اطلاعاتی وجود ندارد24 ساعت
اطلاعاتی وجود ندارد7 روز
-530 روز
در حال بارگیری داده...
کانال‌های مشابه
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اکتبر '26اکتبر '26
اکتبر '26
+12
در 0 کانال‌ها
سپتامبر '26
+51
در 14 کانال‌ها
Get PRO
اوت '26
+114
در 13 کانال‌ها
Get PRO
ژوئیه '26
+60
در 7 کانال‌ها
Get PRO
ژوئن '26
+59
در 8 کانال‌ها
Get PRO
مه '26
+45
در 1 کانال‌ها
Get PRO
آوریل '26
+104
در 5 کانال‌ها
Get PRO
مارس '26
+90
در 9 کانال‌ها
Get PRO
فوریه '26
+57
در 1 کانال‌ها
Get PRO
ژانویه '26
+66
در 3 کانال‌ها
Get PRO
دسامبر '25
+76
در 3 کانال‌ها
Get PRO
نوامبر '25
+85
در 4 کانال‌ها
Get PRO
اکتبر '25
+102
در 9 کانال‌ها
Get PRO
سپتامبر '25
+574
در 12 کانال‌ها
Get PRO
اوت '250
در 12 کانال‌ها
Get PRO
ژوئیه '250
در 17 کانال‌ها
Get PRO
ژوئن '250
در 0 کانال‌ها
Get PRO
مه '250
در 0 کانال‌ها
Get PRO
آوریل '25
+7
در 0 کانال‌ها
Get PRO
مارس '25
+19
در 0 کانال‌ها
Get PRO
فوریه '25
+20
در 0 کانال‌ها
Get PRO
ژانویه '25
+36
در 1 کانال‌ها
Get PRO
دسامبر '24
+86
در 2 کانال‌ها
Get PRO
نوامبر '24
+114
در 0 کانال‌ها
Get PRO
اکتبر '24
+144
در 0 کانال‌ها
Get PRO
سپتامبر '24
+70
در 1 کانال‌ها
Get PRO
اوت '24
+994
در 25 کانال‌ها
| تاریخ | رشد مشترکین | اشارات | کانال‌ها | |
| 11 اکتبر | 0 | |||
| 10 اکتبر | 0 | |||
| 09 اکتبر | +1 | |||
| 08 اکتبر | +2 | |||
| 07 اکتبر | +1 | |||
| 06 اکتبر | +1 | |||
| 05 اکتبر | +2 | |||
| 04 اکتبر | +2 | |||
| 03 اکتبر | +1 | |||
| 02 اکتبر | 0 | |||
| 01 اکتبر | +2 |
پست‌های کانال
| 2 | بدون متن... | 525 |
| 3 |  🟣Inception: диффузионные LLM для низкой задержки
8 сентября Inception выпустила Mercury 2.5 — по их данным, крупнейшую из обученных dLLM: интеллект +40% к Mercury 2, 1107 токенов/с, контекст 260K. Модель прежде всего для субагентов: поиск, роутинг, компакция. 29 сентября вышла Mercury Voice — dLLM для голосовых агентов с медианным временем до первого токена ответа 320 мс и 3 уровнями рассуждения.
🟣DeepSeek: Flash вытесняет Pro
10 сентября DeepSeek представила V4.1-Flash — MoE на 552B параметров с асимметричной архитектурой Causal Encoder-Decoder: 8B активных на входе и 16B на выходе. KV-кеш требует вчетверо меньше HBM и в 8 раз меньше SSD, чем раньше, изображения модель теперь понимает нативно. По данным компании, V4.1-Flash обходит V4-Pro, и с 14 сентября запросы к Pro идут на неё до выхода V4.1-Pro.
🟣Alibaba: омнимодальность, перевод, изображения
18 сентября Alibaba выпустила Qwen3.8-Omni-Flash — омнимодальную модель (текст, изображение, аудио, видео на входе) с контекстом 1M токенов и до часа аудио и/или видео за запрос. Она планирует задачи и вызывает инструменты, а по аудио, по заявлению Qwen, опережает Gemini 3.8 Flash. В тот же день вышла модель Qwen3.8-LiveTranslate — синхронный переводчик на архитектуре Interleave: задержка снизилась с 2,8 до 2,3 с, речь разделяется по говорящим. 20 сентября открыта Qwen-Image-2.1 — единая модель генерации и редактирования изображений: 7B в визуальной части, нативная прозрачность.
🟣SpaceXAI (xAI): агентный кодинг и речь
18 сентября вышла Grok Voice Transcribe 2.0, которая вдвое точнее прежней версии при той же цене. А 21 сентября SpaceXAI выпустила Grok 4.7 на новой, более крупной базе с более долгим RL на многочасовых задачах. Цена прежняя — $ 2 / $ 6 за 1M токенов, Terminal-Bench 4.0 вырос с 20,3% до 37,6%, CursorBench 4.0 — с 40,4% до 46,3%.
🟣Xiaomi: открытые MoE и масштабный RL
21 сентября Xiaomi открыла веса MiMo-V2.6-Pro и MiMo-V2.6-Flash под MIT. Pro — это MoE на 1,02T параметров с 42B активных, Flash — 309B с 15B активных, контекст около 1M. Основной прогресс связан с масштабированием RL: 30 крупных шагов на ~750 тысяч траекторий за 6 дней, опубликованы RL-стек и 7 000+ сред.
🟣Anthropic: семейство 5.5
22 сентября вышла Claude Opus 5.5, первая модель семейства 5.5. На большинстве задач она на уровне Fable 5.1, но на 40% дешевле Opus 5 на типичных нагрузках ($ 4 / $ 20) и на 30%+ быстрее. Сейфгарды по кибербезопасности и биологии как у Fable 5.1, плюс защита от дистилляции. 28 сентября добавилась Claude Sonnet 5.5: за те же $ 2 / $ 10 она быстрее Sonnet 5 на 30%+ и до 30% дешевле на задачу, набирает 70,6% на Terminal-Bench 4.0 и на 2 пункта уступает Opus 5.5 на GDPval-AA.
🟣OpenAI: GPT-6 дешевеет и спускается по линейке
22 сентября после флагманской GPT-6 Astra OpenAI выпустила GPT-6 Sol и GPT-6 Luna: цены вдвое ниже, чем у GPT-5.6 (Sol — $ 2 / $ 10, Luna $ 0,10 / $ 0,50). Также улучшили кеширование для агентов: теперь смена глубины рассуждений и набора инструментов больше не ломает кеш. 29 сентября вышла GPT-6.1 Sol: на агентном кодинге, computer use и профессиональных задачах она близка к Astra за пятую часть цены, а на DeepSWE v1.1 на её уровне.
🟣Google DeepMind: Gemini 4 Argon
30 сентября Google DeepMind анонсировала Gemini 4 Argon — фронтирную модель для сложной разработки, enterprise knowledge work и киберзащиты. Лимит вывода вырос до 1M токенов, а на DeepSWE v1.1 модель бьёт рекорды (77,9%). Пока Argon доступна лишь доверенным киберзащитникам через Fairwind Program, широкий релиз ждёт усиления сейфгардов, включая мониторинг внутренних активаций. Стартовая цена: $ 2 / $ 10, затем будет $ 4 / $ 20.
#aivkhub #дайджест | 720 |
| 4 |  Как работают товарные рекомендации для Ленты ВКонтакте
📱 В Ленте ВКонтакте существуют различные типы контента, в том числе товарный пост (шопсы). Для него команда AI VK построила отдельный рекомендательный контур со своими селекторами кандидатов, ранжированием и квотой в выдаче.
Система учитывает и товарные, и обычные контентные сигналы. Например, человек лайкнул пост про рецепты — система может найти похожие товарные публикации, а затем ранкер оценит их релевантность для конкретного пользователя.
Для обучения товарных моделей долю логирования товарных кандидатов увеличили с 2% до 100%. Это дало в 15 раз больше данных по товарному домену.
За пять месяцев работы контура:
🟣 сквозная конверсия «показ → созданный заказ» выросла на 53%
🟣 созданных заказов стало в 43,2 раза больше
🟣 переходов к партнёру — в 55,3 раза больше
🟣 просмотров товарных постов — в 28,3 раза больше
🟣 CTR перехода к партнёру из поста вырос на 95,6%.
➡️ Как устроен товарный контур, какие сигналы использует система и как товарные рекомендации работают внутри Ленты, рассказываем в статье на Хабре.
#AIVK #aivkhub #хабр #рекомендации #товарныерекомендации | 868 |
| 5 |  +7SESAME: смесь экспертов в шумоподавлении речи
Команда студентов мастерской ИИ Инженерно-математической школы НИУ ВШЭ и VK перенесла разреженную смесь экспертов (MoE) из языковых моделей в шумоподавление речи.
На корпусе VoiceBank+DEMAND модель SESAME вышла на PESQ 3,64 при 2,87M активных параметров: почти на 20% меньше, чем у плотной MP-SENet large сопоставимого размера.
➡️ Кратко о новой модели — в карточках, а подробнее можно прочитать в статье на Хабре.
#aivkhub #звук #llm #ml #хабр | 641 |
| 6 |  Пользователь смотрит видео, листает клипы, ставит лайки — каждое действие становится сигналом для рекомендательной системы. Но важен не только отдельный сигнал, а его контекст и связь с другими событиями.
🎬 В новом ролике разбираем, как трансформер обрабатывает последовательность взаимодействий пользователя с контентом, определяет значимость событий и учитывает связи между видео, клипами и постами.
#AIVK #aivkhub #recsys | 5 056 |
| 7 |  Кеш кандидатов: как рекомендеры VK тратят меньше железа
Каждый запрос к рекомендеру стоит дорого: система собирает кандидатов, прогоняет их через ранжирование, а в выдачу попадают лишь единицы. На большом трафике даже лишние сто кандидатов превращаются в сотню лишних проходов модели.
Команда AI VK предположила, что соседние запросы одного пользователя похожи. Человек не успевает полностью поменять интересы между двумя открытиями ленты, поэтому большинство сильных кандидатов уже найдено на предыдущем запросе.
Это подтвердилось на данных, после чего мы сделали кеш кандидатов: сохраняем лучшие результаты предыдущего запроса и используем их в следующем. При этом кандидаты заново проходят ранжирование, так что рекомендации остаются актуальными.
На кешированный режим уже переведены VK Видео и VK Клипы, а потребление CPU, RAM, NVMe и сети снизилось.
➡️ О том, как устроен кеш и как мы нашли баланс между экономией железа и качеством рекомендаций, рассказываем на Хабре.
#AIVK #aivkhub #хабр #кешрекомендаций #recsys | 950 |
| 8 | بدون متن... | 788 |
| 9 |  🎬 Делимся репортажем с недавно прошедшего мероприятия AI VK & Pro.
#AIVK #aivkhub #recsys #репортаж | 791 |
| 10 | بدون متن... | 711 |
| 11 | بدون متن... | 11 960 |
| 12 |  Вакансии для тех, кто хочет развивать рекомендательные системы и работать с большими моделями.
Старший ML-разработчик в VK Видео, Москва
Ищем разработчика в команду развития рекомендательной системы VK Видео. Нужно формулировать и проверять гипотезы, развивать мэтчинг и дедупликацию контента, обучать модели, обеспечивать стабильную работу рантайма, проводить A/B-эксперименты и развивать систему метрик.
Старший DL-инженер в AI VK, Москва
В LLM-команду отдела экспериментальных технологий нужен специалист с опытом внедрения DL-моделей в продакшен, развития RAG-сценариев, оптимизации инференса моделей и работы с пайплайнами разметки. Нужна крепкая теоретическая база (DL, линейная алгебра, статистика) и умение быстро ставить эксперименты; плюсом будет опыт настройки (алаймента) LLM (SFT, DPO/RLHF).
Старший DL-инженер в AI VK, Москва
Группа мультимодальных контентных моделей ищет инженера для разработки эмбеддинг-моделей и классификаторов текстов, видео, речи и музыки для рекомендаций ВКонтакте. Требуется опыт разработки и внедрения DL-моделей, знание теории ML/DL и умение проектировать эксперименты. Плюсом будет опыт работы с эмбеддинг-моделями, метрическим, контрастным и распределённым обучением.
Откликайтесь на сайте или пишите @sasha_ocheretova
#AIVK #aivkhub #вакансии | 1 033 |
| 13 | بدون متن... | 778 |
| 14 |  📱 Рекомендательные системы видео, клипов и постов работали раньше независимо: сигналы от пользователя в одном сервисе не влияли на рекомендации в других.
В AI VK разработали новую технологию — нейропрофиль. Она объединила историю действий пользователя ВКонтакте, в VK Видео и VK Клипах в единую последовательность событий и повышает точность рекомендаций во всех трёх сервисах.
➡️Коротко о работе нейропрофиля — в ролике.
#aivkhub #video #discovery #нейропрофиль | 6 009 |
| 15 |  +9Alignment: от ручной разметки к проверяемым наградам
За аббревиатурами SFT, RLHF, PPO и GRPO стоит задача научить LLM вести себя так, как ожидает человек. Алгоритмы оптимизации за последние годы сменились несколько раз. Изменился и тот, кто ставит оценку. В карточках разбираем эволюцию способов оценки и методов оптимизации политики.
#aivkhub #alignment #llm | 1 093 |
| 16 |  +8На прошедших выходных прошла вторая встреча AI VK & Pro — место, где лиды ML и RecSys из бигтеха могут обсудить актуальные тренды, рабочие подходы, инженерные задачи и обменяться опытом в узком кругу.
В этом году AI VK & Pro прошла в гольф-клубе. Там лиды AI VK поделились свежими апдейтами Discovery-платформы и презентовали технологии Discovery.
Коротко о главном:
🟣сегодня Discovery-платформа обрабатывает больше 1,5 млн событий в секунду
🟣на базе платформы работают технологии Discovery: нейропоиск Discovery AI, нейросетевое ранжирование и нейропрофиль пользователя, который объединяет сигналы об интересах из разных продуктов VK
🟣инфраструктуру нового рекомендера можно поднять за 2 часа
🟣80% факторов ранжирования конфигурируются no-code
🟣благодаря более точному пониманию интересов пользователей алгоритмы быстрее находят подходящую аудиторию для авторов
🟣VK Реклама на 50% перешла на инфраструктуру единой Discovery-платформы
📷 Как это было — собрали в фоторепортаже.
#aivkhub #discovery #митап #репортаж | 23 471 |
| 17 |  📢 Как мы увеличили время в ленте ВКонтакте на 11%
Рекомендательная система ВКонтакте — зрелый пайплайн, но и в нём есть точки роста. В этом году команда AI VK улучшила несколько этапов: заменила классический мультитаргет ранкера на композитный, стохастику в блендере — на детерминированный алгоритм Брезенхема, эвристики в ALS — на вероятностную оценку.
🔥 Результат: +11% времени в ленте, CTR лайка вырос на 30%, CTR скрытия поста снизился на 10%.
➡️ Подробности в статье на Хабре | 1 345 |
| 18 |  🟣KDD 2026
9–13 августа команда AI VK Research участвовала в KDD 2026 — ключевой мировой ML-конференции. Наши ребята представили результаты своих исследований, посвящённых развитию RecSys. Репортаж с конференции и ссылки на исследования — в посте.
🟣Нейропрофиль пользователя: новая модель для рекомендаций в продуктах VK
10 августа инженеры AI VK запустили единую модель для анализа взаимодействий с контентом внутри разных продуктов. Она формирует нейропрофиль — представление об интересах человека — в VK Видео, VK Клипах и других продуктах экосистемы. Объединение этих данных в один поток дало реальный буст на проде. Подробнее мы писали на Хабре.
🟣NVIDIA: роутинг вместо одной большой модели
11 августа NVIDIA выпустила Nemotron 3.5 Lightning и NeMo Switchyard: открытую MoE на 30B для массовых коротких операций внутри агентных систем и роутинг-библиотеку, выбирающую модель под конкретный вызов. В тесте LangChain на 145 агентных задачах к frontier-модели уходило 7% вызовов: стоимость снизилась на 74% при потере ~6% качества.
🟣Upstage: модель, доводящая работу до результата
11 августа южнокорейская Upstage выпустила Solar Pro 4: контекст 512K токенов, до 128K выходных и регулируемый reasoning. Модель рассчитана на многошаговые офисные задачи: на Terminal-Bench 2.1 она получила 57.0 против 43.2 у Solar Open 2. Отдельный акцент модели — это groundedness, утверждения без опоры в документах помечаются как неподтверждённые.
🟣SpaceXAI (xAI): Grok 4.6 для длинных агентных траекторий
12 августа SpaceXAI (xAI) выпустила Grok 4.6 с фокусом на длинные сессии агента. Intelligence Index — 61 балл, что на уровне GPT-5.6 Sol и чуть ниже Fable 5 Max с 62. Лидером по кодинг-бенчмаркам модель не стала: на Terminal-Bench 3.0 набирает 26% против 34.6% у GPT-5.6 Sol.
🟣Google DeepMind: Flash с управляемым рассуждением
13 августа Google DeepMind выпустила Gemini 3.7 Flash: контекст 1M токенов, на вход принимает текст, изображения, аудио и видео. Модель получила управляемый бюджет на рассуждения, позволяющий выбирать компромисс между качеством, стоимостью и задержкой, и агентский video understanding — использование видео в reasoning-процессе. Это итерация поверх Gemini 3.6 Flash.
🟣Alibaba: открытая 27B и preview архитектуры Qwen4
14 августа Alibaba открыла веса Qwen3.8-27B — dense-модели с нативной обработкой изображений и видео. 26 августа вышла Qwen3.8-Flash-Next: MoE на 125B параметров плюс 51B N-gram-эмбеддингов, ~6B активных на токен и гибрид Gated DeltaNet + Qwen Sparse Attention. По данным Alibaba, обучение обошлось в 9 раз дешевле Qwen3.7-Plus.
🟣Z.ai: большая модель и быстрый Flash
14 августа Z.ai выпустила GLM-5.3 — MoE на 743B параметров с ~39B активных. 26 августа к ней добавилась GLM-5.3-Flash, до релиза известная как Ox Alpha: 320B параметров, 18B активных, нативная мультимодальность и контекст 1M токенов. GLM-5.3-Flash требует втрое меньше вычислений и в 4,4 раза меньше памяти под KV-кеш, чем GLM-5.3, и превосходит GLM-5.2 на агентных бенчмарках.
🟣DeepSeek: Flash получает зрение
21 августа DeepSeek выпустила DeepSeek-V4-Flash-Vision-Exp и мультимодальный API. Текстовые возможности остаются на уровне V4-Flash, а в мультимодальных агентных задачах модель приближается к Opus 4.8. Появился Files API для повторного использования загруженных изображений.
🟣Agnes AI: reasoning за центы
26 августа сингапурская Agnes AI выпустила Agnes 2.5 Pro Beta — по $0,10 / $0,30 за 1M токенов. Intelligence Index вырос с 40 (июльская Alpha) до 49, а Agentic Index — с 25 до 44. При этом доля галлюцинаций снизилась с 88% до 33% за счёт более осторожного поведения модели.
🟣Обзор движков для инференса LLM
Сделали подробный разбор TensorRT-LLM, LMDeploy, vLLM, SGLang и llama.cpp. Подробнее в карточках.
➡️ Самые интересные статьи от AI VK на Хабре
🟣Обучение с подкреплением в рекомендациях: оптимизируем удовлетворённость пользователя за всю сессию
🟣Нейроранжирование: отказ от бустинга в пользу нейросетей
🟣Как устроен нейропрофиль пользователя в рекомендациях VK
#aivkhub #дайджест | 861 |
| 19 |  Устаревание контента в рекомендациях: возраст почти ни при чём
Вчерашняя новость может быть опровергнута, старый гайд остаётся полезным годами, а свежий айтем не нужен конкретному пользователю. Правило «старше N дней значит удалить» здесь слишком грубое, поскольку устаревание (staleness) — это не возраст, а вероятность, что айтем сохраняет достаточную полезность для пользователя и контекста.
Свежесть не равна полезности
Свежесть говорит, когда айтем был опубликован, новизна — насколько он незнаком пользователю, а релевантность — насколько отвечает запросу. Исторический документ может быть идеальным ответом на вопрос «что было известно о событии в 2019 году», а свежий айтем может быть знаком пользователю, который уже видел его в ленте.
Устаревать может и сама система, когда эмбеддинги и профиль пользователя перестают отражать реальность.
Почему TTL ломается
Жёсткий порог по дате предполагает, что полезность всех айтемов монотонно падает с возрастом и с одинаковой скоростью. В реальности же срочная новость устаревает за минуты, журналистское расследование живёт месяцами, а сезонный материал снова оживает через год.
Два механизма
В статье Decomposing Staleness in Recommender Systems устаревание разделено на два независимых механизма:
🟣Supersession (замещение) — айтем устарел, потому что появился более новый, который меняет статус той же темы. Сообщение «Елизавета II находится под медицинским наблюдением» устаревает в момент объявления о смерти. Это направленная связь между парой айтемов, поэтому возраст тут — недостаточный сигнал.
🟣Decay (затухание) — полезность падает сама по себе, без замены. Прогноз погоды, расписание, короткая акция. Это похоже на постановку задачи анализа выживаемости: предсказать вероятность, что айтем сохранит полезность на горизонте.
Архитектура
Supersession-модель — это классификатор, который получает связанные айтемы и решает, отменяется ли старый айтем новым. Разметку генерирует большая языковая модель, затем её знания дистиллируются в компактную.
Decay-модель предсказывает по содержимому айтема, какая доля интереса к нему уже исчерпана, и убирает его из набора кандидатов при потере значительной доли.
Оба фильтра срабатывают перед ранжированием, ответы кешируются заранее, поэтому ранкер перестаёт считать заведомо устаревших кандидатов, что экономит вычисления.
В онлайн-эксперименте бейзлайн с TTL почти не изменил долю устаревших показов, а пара обученных фильтров снизила эту долю примерно на 7%. За два года эксплуатации жалобы на устаревший контент упали почти наполовину.
Границы подхода
Оба фильтра работают на уровне айтема и не учитывают сигнал пользователя. Часть оставшихся жалоб относится к контенту, который человек уже видел, поскольку модель затухания (decay) пропускает длинный хвост медленно устаревающих айтемов.
Такой отдельный слой нужен далеко не всегда. Например, в RAG актуальность должна учитываться внутри отбора кандидатов. На корпусе NVD CVE свежий релевантный документ попадал в топ-50 лишь в одном запросе из пяти. Позднее ранжирование не вернёт айтем, потерянный на этапе отбора.
В Re3 адаптивное объединение семантической и временной оценок обошло жёсткие бейзлайны без использования бинарного фильтра. Одновременное попадание в контекст устаревших и актуальных документов снижает качество ответов даже при наличии правильного.
TTL остаётся дешёвым резервным механизмом для холодного старта и аварийного контроля. Задача зрелой системы в другом: предсказывать продолжение полезности, отличать замещение от затухания, а высокоуверенные проверки ставить до дорогого персонализированного ранжирования.
#aivkhub #recsys | 699 |
| 20 |  📢 Инженеры AI VK начали использовать единую нейросетевую архитектуру для финального ранжирования контента в рекомендациях.
В новой статье рассказываем, почему отказались от классического бустинга, как построили многозадачный нейроранкер и научили его одновременно предсказывать вероятность лайка и дизлайка, а также прогнозировать время вовлеченного просмотра.
➡️Подробнее читайте на Хабре
#aivkhub #discovery #нейроранжирование #recsys | 946 |
