Machine learning Interview
رفتن به کانال در Telegram
ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz
نمایش بیشتر
شبکه:📈 تحلیل کانال تلگرام Machine learning Interview
کانال Machine learning Interview (@machinelearning_interview) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 30 580 مشترک است و جایگاه 4 348 را در دسته فناوری و برنامه‌ها و رتبه 21 020 را در منطقه روسيا دارد.
📊 شاخص‌های مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 30 580 مشترک جذب کرده است.
بر اساس آخرین داده‌ها در تاریخ 27 اکتبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 276 و در ۲۴ ساعت گذشته برابر 16 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 13.53% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 6.93% واکنش نسبت به کل مشترکان کسب می‌کند.
- دسترسی پست‌ها: هر پست به طور میانگین 4 136 بازدید دریافت می‌کند. در اولین روز معمولاً 2 119 بازدید جمع‌آوری می‌شود.
- واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 25 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند claude, llm, контекст, hermes, nvidia تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно!
Вопросы - @workakkk
РКН: clck.ru/3FmwRz”
به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 28 اکتبر, 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.
30 580
مشترکین
+1624 ساعت
+1617 روز
+27630 روز
آرشیو پست ها
Один флаг llama.cpp может резко замедлить обработку промпта – без ошибки и предупреждения.
В обсуждении #28455 описан случай: при включённом Flash Attention выбор `q5_1` для KV-кэша переносил вычисление внимания с GPU на CPU. Модель продолжала работать, но скорость падала.
Причина – отсутствие CUDA-ядер для выбранного формата кэша в стандартной сборке.
В замерах автора на RTX 4080 обработка промпта ускорилась с 38 до 1348 токенов/с после замены
q5_1 на q8_0. Это скорость чтения входного запроса, а не генерации ответа.
Для затронутых сборок обходной вариант:
-fa on -ctk q8_0 -ctv q8_0
q4_0 для K и V. Если нужен q5_1, автор предлагает пересборку с:
-DGGML_CUDA_FA_ALL_QUANTS=ON
OpenAI выпустила GPT-6.1 Terra – для работы в приложениях, с изображениями и кодом. API стал вдвое дешевле GPT-5.6 Terra.
Модель рассчитана на повседневные задачи: заполнение форм, обработку счетов, разбор технических чертежей и редактирование видео.
По оценкам OpenAI:
- Agents’ Last Exam: на 15 процентных пунктов лучше предшественницы при среднем уровне рассуждений и примерно втрое меньшей стоимости задачи.
- Terminal-Bench 4.0: решает 50,3% задач против 21,5% у GPT-5.6 Terra при максимальном уровне рассуждений.
- Меньше фактических ошибок: во внутреннем тесте на сложные провоцирующие запросы частота ошибок при максимальном уровне рассуждений снизилась до 4,3%.
Цена API за миллион токенов:
- Вход – $1.
- Кешированный вход – $0,05.
- Выход – $5.
GPT-6.1 Terra доступна в ChatGPT Work и Codex на тарифах Plus, Pro, Enterprise и Edu. В API –
gpt-6.1-terra.
Для самых сложных задач программирования компания по-прежнему рекомендует GPT-6.1 Sol и GPT-6 Astra.
https://openai.com/index/introducing-gpt-6-1-terra/Атака на AI-агенты через размещение файла AGENTS.md в каталоге с загрузками
Исследователи из компании Forever Security, разбирая причины появления вредоносного ПО в системе одного из клиентов, выявили новый способ атаки на AI-агентов, основанный на том, что многие AI-агенты по умолчанию обрабатывают инструкции из файла AGENTS.md, размещённого в корне проекта, к работе над которым подключён агент. Атака проводится через размещение в каталоге ~/Downloads файла AGENTS.md или CLAUDE.md с инструкцией по установке вредоносного ПО (в рассмотренном случае устанавливался вредоносный npm-пакет function-color.
Полный текст:
https://opennet.ru/66551/
https://opennet.me/66551/
Как решать задачи оптимизации, когда функция негладкая, есть ограничения, а данных слишком много?
В свободном доступе есть Proximal Algorithms Нила Париха и Стивена Бойда – 113-страничная монография о проксимальных алгоритмах.
Идея: вместо одной сложной задачи последовательно решать небольшие подзадачи. На каждом шаге нужно улучшить значение функции, одновременно ограничивая удаление от текущей точки.
Такие методы особенно полезны для негладкой, крупномасштабной и распределённой выпуклой оптимизации.
Внутри – объяснение проксимального оператора, его связь с проекциями на выпуклые множества, обзор алгоритмов и множество примеров.
К материалу прилагаются слайды, библиотека проксимальных операторов и MATLAB-примеры: Lasso, разложение матриц, стохастическое управление и оптимизация портфеля.
Подойдёт тем, кто хочет глубже разобраться в математике оптимизации. Для чтения пригодятся линейная алгебра и основы выпуклого анализа.
PDF:
https://web.stanford.edu/~boyd/papers/pdf/prox_algs.pdf
Материалы и код:
https://stanford.edu/~boyd/papers/prox_algs.html
Scenario выложила более 1300 сгенерированных ИИ 3D-моделей - их можно бесплатно скачать.
В коллекции 1342 примера и 1500 файлов общим объёмом около 39 ГБ, включая превью и доступные исходные материалы.
Внутри — 1271 GLB-файл и 137 файлов Blender, а также SPZ, PLY, VOX и FBX.
Самое полезное - вместе с результатами опубликованы промпты, параметры генерации и доступные входные изображения. Можно изучить, как получился конкретный объект, и использовать эти примеры для собственных экспериментов.
Коллекция пригодится для прототипирования игр, наполнения тестовых сцен и изучения возможностей генераторов. Перед использованием в готовом проекте стоит проверить геометрию и текстуры: проверка структуры файлов не гарантирует качество рендера.
Лицензия — CC BY 4.0 с указанием Scenario. Отдельная коллекция из 393 примеров Hunyuan распространяется на других условиях.
https://huggingface.co/datasets/scenario-labs/3d-collection
От первого мотора до робота, который учится по демонстрациям: открытая дорожная карта по робототехнике на русском.
Robotics Roadmap 2026 предлагает план на 24 недели при занятиях по 2–3 часа в день. Обучение начинается с электроники и постепенно переходит к управлению и машинному обучению.
Внутри шесть модулей:
- Электроника, Python и Git - базовые схемы и инструменты.
- Arduino и ESP32 — моторы, датчики, линейный робот и балансир.
- CAD и 3D-печать — сборка робота-манипулятора.
- ROS 2 — симуляция, построение карты и автономная навигация.
- Управление и компьютерное зрение — регуляторы, кинематика, работа с камерой.
- LeRobot — сбор демонстраций и обучение робота.
Есть схемы подключения, примеры кода, списки компонентов, справочник по отладке и 30 идей проектов.
Начать можно без покупки железа — в симуляторах. Дальше предлагается оформлять проекты в портфолио: видео, схема, код и разбор того, что сломалось и как удалось исправить.
Полезная отправная точка для программиста, который хочет заставить свой код двигаться в физическом мире.
https://github.com/justxor/robotics-roadmap-2026/
Статью Питера Хиггса отклонил научный журнал. Через 48 лет предсказанную частицу обнаружили на Большом адронном коллайдере.
В 1964 году физик из Эдинбургского университета исследовал, как некоторые частицы могут приобретать массу, сохраняя математическую согласованность теории.
Первую короткую статью Physics Letters принял. Вторую, где Хиггс представил конкретную модель, тот же журнал отклонил.
Хиггс доработал текст, явно указав на существование новой массивной частицы, и отправил его в Physical Review Letters. Там работу опубликовали.
Независимо похожий механизм предложили Франсуа Энглер и Роберт Браут. Особенность работы Хиггса - прямое указание на частицу, которую впоследствии назвали его именем.
В 2012 году CERN объявил об обнаружении новой частицы, согласующейся с предсказанным бозоном Хиггса. В 2013-м Хиггс и Энглер получили Нобелевскую премию по физике.
Несколько страниц теории — и почти полвека до экспериментального подтверждения.
https://www.ph.ed.ac.uk/higgs/brief-history
Kimi K3.1 Pro: открытая MoE на 2.8T параметров и контекстом 1M
Moonshot выпустила самую сильную свою модель: 2.8T параметров всего, 104B активных, мультимодальность. Упор на длинные агентные задачи: игры целиком в Unreal, Unity и Godot, параметрическое 3D в Blender и CAD, финансовые расчёты с падением галлюцинаций на 65%.
По кодингу, агентам и знаниям авторы ставят её вровень с лучшими закрытыми моделями. Это заявление самой Moonshot, независимых замеров пока нет.
Есть и версия Highspeed, в 2-3 раза быстрее. Обе доступны на Kimi.ai и через API, веса обещают открыть до 4 ноября.
Источник: https://kimi.ai/blog/kimi-k3-1-pro
✔️ Microsoft AI завершила претрейн MAI-Base-2
Лаборатория Мустафы Сулеймана закончила предобучение своей самой крупной MoE-модели на 2,8 трлн параметров, из которых на каждый токен работают 80 млрд. Сейчас она проходит дообучение, сроков релиза Microsoft не называет.
Веса компания собирается лицензировать проверенным партнёрам через платформу Foundry и отдельно подчёркивает, что учила модель только на собственных данных, без дистилляции ответов чужих моделей.MAI-Base-2 обучали 38 дней в августе и сентябре на 16 тысячах GPU GB200, через модель прошло около 50 трлн токенов. Знания модели заканчиваются мартом 2026 года. В отличие от предшественницы MAI-Base-1, она с самого начала училась и на изображениях, без отдельного визуального энкодера, на них пришлось 18% обучающей смеси. На собственных наборах текстов, кода, задач по естественным наукам, математике и вопросов с ответами MAI-Base-2 предсказывает текст точнее всех протестированных открытых моделей с триллионом и более параметров: DeepSeek-V4-Pro-Base, Kimi K3, Qwen3.8-2.4T-A95B и MiMo-V2.6-Pro-RL. По расчётам Microsoft, при её подходе к обучению, т. е. с теми же данными, архитектурой и настройками, модели нужно в 4–12 раза меньше вычислений, чем потратила DeepSeek, чтобы достичь качества DeepSeek-V4-Pro-Base.
Эта оценка выведена из законов масштабирования, а не из прямого сравнения.@ai_machinelearning_big_data #news #ai #ml
Задача IMO 2007, на которой 473 школьника получили ноль
Шестая задача IMO 2007 о покрытии точек куба плоскостями: 473 участника из 520 получили ноль, полный балл у пятерых, среди них будущий филдсовский лауреат Петер Шольце. Разбираем условие и решение.
В июле 2007 года в Ханое прошла 48-я Международная математическая олимпиада (IMO). За медали боролись 520 школьников со всего мира. Шестая задача, последняя во втором туре, оказалась настоящей мясорубкой: 473 участника получили за неё ноль баллов, и только пятеро набрали полные семь. Одним из этих пятерых был 19-летний Петер Шольце из Германии. В 2018 году он получил Филдсовскую премию, самую престижную награду в математике.
Читать дальше: https://uproger.com/zadacha-imo-2007-scholze/
Опенсорс фреймворк от CopilotKit для Intelligent UI, и он уже в топ-5 трендов GitHub 🔥
Идея в том, что агент отвечает на запрос не текстом, а живым интерфейсом: интерактивными графиками, 3D-сценами, формами, симуляциями и визуализациями алгоритмов. Всё рендерится в песочнице прямо в чате.
Под капотом Next.js 16 с React 19, бэкенд на LangChain Deep Agents, который подгружает визуализационные скиллы по требованию, и отдельный MCP-сервер. Через него дизайн-систему и сборщик HTML можно подключить к Claude Desktop, Claude Code и Cursor. Лицензия MIT, запускается командами make setup и make dev.
В анонсе пишут про работу с любым LLM и любым агентным фреймворком. В README по умолчанию стоит Claude, для OpenAI достаточно ключа, а для остальных провайдеров нужно править модель в коде. Слабые модели, по словам авторов, часто ломают вёрстку.
Авторы уверяют, что к 2027 году такой агентный слой будет в каждом приложении. Спорно, но направление понятно: интерфейс всё чаще генерируется под задачу, а не рисуется заранее.
Источник: https://github.com/CopilotKit/OpenIntelligentUI
#ui
📚️️️️️️ ИИ самостоятельно нашёл и доказал новые математические закономерности
Исследователи Google DeepMind и Кембриджа создали агента на базе Gemini, который обнаружил точные правила поведения 11 машин Тьюринга на границе задачи Busy Beaver.
Машина Тьюринга - простейшая модель компьютера. Даже программа с шестью состояниями может вести себя настолько сложно, что неизвестно, остановится ли она вообще.
Агент искал закономерности в работе таких программ, формулировал гипотезы и строил доказательства. Затем проверял их в Lean — системе, которая строго проверяет математические рассуждения.
Результат - компактные правила, позволяющие описывать сразу множество шагов программы вместо пошагового перебора.
Остановятся ли эти 11 машин, пока неизвестно. Но теперь их поведение получило точное математическое описание. Это шаг к ИИ, который самостоятельно находит предмет для исследования и доводит гипотезу до проверенного результата.
https://arxiv.org/abs/2610.22603
🧮 Большую часть математики можно формализовать за три года. Но что мы получим на выходе?
Такую перспективу описывают Кевин Баззард, Джереми Авигад и другие математики в блоге Xena.
Формализовать - значит перевести определения, теоремы и доказательства на язык вроде Lean, чтобы компьютер мог проверять логические шаги.
Авторы видят в ИИ возможность резко ускорить эту работу. Но предупреждают: миллионы строк проверенного кода могут оказаться бесполезными, если на них невозможно строить новые исследования.
Нужны понятные определения, документация, совместимость библиотек и повторное использование результатов.
Уже есть два подхода:
• Tau Ceti - единая библиотека: математики задают план, ИИ пишет код, другие ИИ проверяют.
• Formal Frontier - система агентов, превращающая математические тексты в связанные формальные библиотеки.
Компьютерная проверка доказывает корректность формального утверждения. Ценность для науки появляется, когда результат можно понять, исследовать и использовать дальше.
📖 https://xenaproject.wordpress.com/2026/10/16/how-to-formalize-all-of-mathematics/
+2
Anthropic на четыре месяца отложила широкий доступ к моделям уровня Mythos ради усиления киберзащиты.
По словам Дарио Амодеи, Mythos изначально планировали выпустить в феврале 2026 года, но компании потребовалось дополнительное время на защитные механизмы.
Амодеи также заявил, что дистилляция - обучение других моделей на ответах Claude - не представляет серьёзной коммерческой угрозы. Больше его беспокоит безопасность: вместе со способностями можно перенести в другую модель опасные возможности, не сохранив ограничения.
Отдельно он сообщил, что Anthropic блокировала предполагаемые попытки использовать её модели для разработки биологического оружия.
https://x.com/DarioAmodei/status/2112732230124818891
MemT-1.0-Nano — открытая ИИ-модель со встроенной долговременной памятью.
Она записывает информацию из диалога во внутреннее состояние и использует её в следующих ответах — без повторной загрузки всей переписки в контекст. Память можно сохранить и восстановить в новой сессии.
— Основа — Qwen3.6-35B-A3B.
— 36 млрд параметров, из них 3 млрд активных.
— При истории в 128 тысяч токенов состояние памяти занимает примерно в 66 раз меньше места, чем полный KV-кэш, по данным разработчиков.
Это подход к созданию ассистентов и агентов, которые используют прошлый опыт без постоянного раздувания контекста. Но в задачах на точное извлечение деталей из длинной истории лучшие системы с текстовой памятью пока впереди.
https://huggingface.co/MemTensor/MemT-1.0-Nano
Представьте проблему: «Один рекомендательный пайплайн решает сразу несколько разных задач — показ по известным интересам, исследование новых интересов, поддержка новых авторов. Как вы будете их разводить?»
В AI VK это сделали через стримы — отдельные пайплайны, имеющие общую кодовую базу, но разные конфигурации.
В статье — подробный разбор подхода.
✔️ Alibaba представила генератор музыки HappyShrimp 1.0
Спустя 2 месяца после старта открытой беты состоялся релиз HappyShrimp 1.0 - генеративной модели, создающей законченные музыкальные композиции по тексту.
HappyShrimp использует сквозную архитектуру, в которой трек создается как единое целое, позволяя избежать механического звучания голоса, рассинхронизацию текста с ритмом и нецелостную структуру трека.
Модель умеет работать с абстрактными запросами, самостоятельно определяя жанр и инструменты под заданное настроение или контекст.
Для управления предусмотрены расширенные параметры: указание темпа, тональности, состав инструментовки, пол и манера вокалиста, а также кривая эмоционального развития композиции.
Вместе с моделью Alibaba объявила о партнерстве с лейблом Taihe Music Group, а в ближайшее время планирует выпустить отдельное мобильное приложение.
Все тексты, музыка, аранжировка и вокал для демо-ролика были созданы в HappyShrimp 1.0.#news #ai #ml
🧰 281 AI-инструмент для разработчика - с описаниями на русском
Awesome AI DevTools RU - каталог для тех, кто хочет разобраться, что подключить к своей работе: от помощника в редакторе до агентов, тестирования и локальных моделей.
Что внутри:
• AI-IDE и терминальные агенты - Cursor, Claude Code, Codex, Cline, Aider и другие.
• Код-ревью, тестирование и безопасность.
• MCP, навыки, управление контекстом и оркестрация агентов.
• Локальные модели, LLMOps и контроль расходов.
• Отдельный раздел с российскими сервисами.
У инструментов есть метки: открытый код, бесплатный тариф, локальные модели, свой API-ключ и поддержка MCP.
Помимо каталога - сравнительные таблицы, схемы выбора и готовые стеки под разные задачи. А ещё четыре урока: как выбрать инструмент, запустить модели локально, настроить MCP и разобраться в устройстве кодирующих агентов.
Полезная закладка, когда хочется собрать рабочее окружение с ИИ, а не устанавливать всё подряд.
💻 https://github.com/justxor/awesome-ai-devtools-ru
Виртуальных агентов обсудят на митапе «Русское техно 2» от MWS 23 октября. ⚡ Успейте зарегистрироваться.
В программе доклады и дискуссии по темам:
— Как построить control plane для персональных ИИ-агентов на Kubernetes.
— Как построить агентный производственный процесс в связке с Harness.
— Подходы к управлению командами с ИИ-агентами. Как меняются метпроцессы внутри команды?
— Когда ИИ-агент становится экономически оправданным.
А также участников ждет битва промптов и нетворкинг.
Когда: 23 октября
Формат: офлайн в Москве и онлайн
Зарегистрироваться
🔬 ИИ на 27 млрд параметров предлагает научные гипотезы, которые совпадают с последующими исследованиями чаще, чем у GPT-6 и Claude Opus 5.
Авторы DiscoveryRSI сравнили гипотезы моделей с работами, опубликованными после даты отсечения обучающих данных. Доля совпадений:
• DiscoveryRSI-27B — 6,3%
• GPT-6 — 2,5%
• Claude Opus 5 — 2,3%.
Система развивает гипотезы, собирает доказательства, предлагает способы проверки и использует результаты предыдущих попыток, чтобы улучшать следующие. У каждой идеи должны быть план исследования, критерии проверки и альтернативные объяснения.
Совпадение с публикацией ещё не означает доказанное открытие. Но это интересная проверка того, способен ли ИИ предлагать направления, к которым позже приходят исследователи.
Модель и код доступны:
📄 https://arxiv.org/abs/2610.23839
💻 https://github.com/Gen-Verse/DiscoveryRSI
🔴 https://foundry-arena.rsi-arena.workers.dev/arena
