Машиннное обучение | Наука о данных Библиотека
админ - @workakkk @ai_machinelearning_big_data - Machine learning @itchannels_telegram - 🔥лучшие ит-каналы @pythonl - Python @pythonlbooks- python книги📚 @datascienceiot - ml книги📚 № 5037635661
نمایش بیشتر📈 تحلیل کانال تلگرام Машиннное обучение | Наука о данных Библиотека
کانال Машиннное обучение | Наука о данных Библиотека (@machinelearning_books) بازیگری فعال است. در حال حاضر جامعه شامل 16 929 مشترک است و جایگاه 7 670 را در دسته فناوری و برنامهها و رتبه 38 647 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 16 929 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 16 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 82 و در ۲۴ ساعت گذشته برابر -5 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 9.86% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 3.54% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 1 670 بازدید دریافت میکند. در اولین روز معمولاً 599 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 9 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, контекст, точность, рассуждение, архитектура تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“админ - @workakkk
@ai_machinelearning_big_data - Machine learning
@itchannels_telegram - 🔥лучшие ит-каналы
@pythonl - Python
@pythonlbooks- python книги📚
@datascienceiot - ml книги📚
№ 5037635661”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 17 نوامبر, 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.
در حال بارگذاری دادهها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 17 نوامبر | +1 | |||
| 16 نوامبر | 0 | |||
| 15 نوامبر | 0 | |||
| 14 نوامبر | 0 | |||
| 13 نوامبر | +1 | |||
| 12 نوامبر | 0 | |||
| 11 نوامبر | 0 | |||
| 10 نوامبر | 0 | |||
| 09 نوامبر | +4 | |||
| 08 نوامبر | 0 | |||
| 07 نوامبر | +1 | |||
| 06 نوامبر | +1 | |||
| 05 نوامبر | +1 | |||
| 04 نوامبر | +2 | |||
| 03 نوامبر | +2 | |||
| 02 نوامبر | +3 | |||
| 01 نوامبر | +1 |
| 2 | Столько же коммитов, в 240 раз больше токенов
Авторы препринта сопоставили пять недель использования ИИ-агентов с коммитами 404 инженеров JetBrains. Среди недель с сопоставимым числом коммитов разрыв между 90-м и 10-м перцентилями расхода токенов составлял от 39 до 240 раз.
Когда сравнили недели одного и того же инженера, удвоение расхода токенов было связано примерно с 10% ростом числа коммитов. В опросе сотрудники технических ролей почти в девяти из десяти оценок агентов сообщали, что используют их и для задач за пределами написания кода, в том числе для анализа, поиска информации и планирования.
Авторы предлагают использовать расход токенов для учёта ресурсов, а работу с агентами оценивать по тому, какие задачи удалось решить и с каким результатом.
https://arxiv.org/abs/2611.13396 | 1 033 |
| 3 | Приглашаем на митап для ML-разработчиков и дата-сайентистов 🥰
Как использовать LLM и агентов в поиске, чтобы точнее понимать запросы пользователей и повышать релевантность результатов?
19 ноября обсудим выбор моделей, оценку качества и работу таких систем в проде.
🔴 Борис Коварский, hh.ru — Агентный поиск в рекрутинге: опыт hh
🔴 Виктор Реушкин, hh.ru — Как устроен диалоговый поиск вакансий на hh
🤩 Алексей Казаков, Циан — LLM и энкодерные модели для поиска. Опыт развития подходов в поиске недвижимости
Дата и время: 19 ноября в 19:00 мск
Очно: Москва, офис hh
Онлайн: будет трансляция в VK и YouTube для тех, кто не сможет прийти в офис
После докладов можно будет пообщаться с коллегами — подготовим вкусную еду и напитки 🍕
Регистрируйтесь→ участие бесплатное 🥹
#реклама
О рекламодателе | 1 026 |
| 4 | 📚 Оксфорд выпустил 180-страничный учебник по тому, как заглянуть внутрь нейросетей и понять, как они думают
Исследователи University of Oxford и других научных организаций опубликовали масштабный обзор механистической интерпретируемости (Mechanistic Interpretability) и её применения для безопасности ИИ.
Что внутри:
- Superposition и Transformer Circuits: как нейросети кодируют информацию и выполняют вычисления.
- Sparse Autoencoders (SAE): как выделять отдельные признаки из внутренних представлений моделей.
- Circuit Discovery: как находить и проверять механизмы, отвечающие за конкретное поведение.
- AI Safety: управление поведением моделей (Steering), редактирование знаний и мониторинг скрытых механизмов.
Отдельно опубликованы интерактивный учебный курс и Jupyter Notebooks с практическими экспериментами и примерами кода.
Материал охватывает не только существующие методы, но и их ограничения: понимание внутренних механизмов само по себе ещё не гарантирует безопасность модели.
https://arxiv.org/abs/2611.08438
Интерактивный курс: https://tsglab.github.io/mechinterp-safety/
@ai_machinelearning_big_data | 1 033 |
| 5 | Anthropic изучила 207 000 научных сессий с Claude. Выяснилось, как ИИ уже меняет работу учёных
Anthropic проанализировала 207 049 исследовательских сессий Claude и Claude Code за август и сентябрь 2026 года. Исследование охватило 34 научные области и 7 262 типа исследовательских задач.
Результаты довольно показательные.
Где учёные используют ИИ чаще всего?
Анализ данных занимает 33,7% исследовательских сессий Claude и 48,1% сессий Claude Code. Написание текстов и научных материалов составляет ещё 32% работы в Claude.
А вот генерация гипотез и новых идей пока занимает всего 4,2% сессий Claude и 2,1% Claude Code.
Получается, учёные гораздо чаще делегируют ИИ обработку результатов и программирование, чем поиск принципиально новых научных идей.
Отдельно исследовали Claude Science.
Это специализированный инструмент, который объединяет научные базы данных и исследовательские инструменты в единый рабочий процесс.
В биологии и биомедицине более 80% его использования приходится на задачи, требующие, по оценке исследователей, докторского уровня подготовки. Более 70% сессий выполняются с высокой степенью автономности ИИ.
А теперь самое интересное - прогноз производительности.
По расчётам Anthropic, при широком внедрении современных возможностей ИИ исследовательская производительность может вырасти примерно в 1,35-2 раза в зависимости от научной области.
В более амбициозном сценарии, когда ИИ сможет выполнять всю нефизическую исследовательскую работу, ускорение в компьютерных науках и статистике может достигнуть 15 раз. В биологии и химии ограничителем останутся лабораторные эксперименты, поэтому оценка составляет примерно 3-4 раза.
Около 40% опрошенных исследователей ожидают, что к 2030 году ИИ сможет самостоятельно проводить полноценные научные проекты.
Полный отчёт: https://www.anthropic.com/research/how-researchers-use-claude | 1 329 |
| 6 | 🤖 Многие уже работают с языковыми моделями, но относятся к ним как к черному ящику. Без понимания принципов трудно предсказать поведение модели и объяснить ее ошибки, а это первое, с чем сталкиваешься при внедрении.
📅 12.11 в 20:00 пройдет открытый урок «Что надо знать про работу LLM моделей». Для Python-разработчиков, DevOps-инженеров и аналитиков данных, которые начинают работать с LLM.
На уроке:
• разберем токены и контекст;
• поговорим об ограничениях моделей;
• обсудим, что учесть перед внедрением.
Приходите разобраться.
Запись: https://otus.pw/NlI3/?erid=2W5zFJShzjC
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. | 885 |
| 7 | Google показала, как отравить RAG всего пятью документами
В новом исследовании Google разобрала уязвимость поискового этапа RAG-систем. Оказалось, что для продвижения вредоносного документа достаточно просто повторить в нём текст пользовательского запроса.
Исследователи проверили 623 запроса на классических поисковых алгоритмах и семантических ретриверах, включая BGE-small.
Результаты:
Всего 5 поддельных документов, около 0,1% корпуса, снизили качество ранжирования классических ретриверов на 40,2–61,5%.
Добавление скрытых инструкций для атаки почти не влияло на вероятность попадания документа в результаты поиска. Основную роль играло совпадение с запросом.
Попытка защититься фильтрацией документов, повторяющих запрос, тоже оказалась проблемной. На NFCorpus качество ранжирования чистых данных упало с 0,267 до 0,134, почти вдвое.
Получается, атакующему необязательно придумывать сложную prompt injection. Сначала достаточно добиться того, чтобы RAG вообще выбрал поддельный документ.
Если индекс пополняется внешними данными, нужно проверять документы на искусственное повторение запросов, контролировать источники и измерять, насколько защитные фильтры ухудшают обычный поиск.
https://arxiv.org/abs/2611.04264 | 1 925 |
| 8 | 🧠️️️️️️ Mistral обнаружила, что экономия памяти может незаметно ухудшать способности AI-агентов
В техническом отчёте Mistral Large 4 исследователи рассказали о проблеме, которую легко пропустить при оптимизации LLM.
Изначально команда сократила потребление памяти KV-cache в 16 раз, используя Sliding Window Attention, Cross-Layer Attention и YOCO.
По стандартным метрикам языкового моделирования всё выглядело нормально. Но на задачах SWE-bench Verified качество заметно просело.
Причина оказалась в ограниченном доступе к старым токенам. Агенту, который работает с репозиторием десятки шагов, приходится возвращаться к ранее прочитанному коду, результатам тестов и сообщениям инструментов. Агрессивная оптимизация attention мешала этому.
Разработчики пересмотрели архитектуру уже обученной модели: вернули возможность обращаться ко всему контексту в большем числе слоёв, а затем внедрили DeepSeek Sparse Attention.
Теперь специальный индексатор выбирает 2048 наиболее релевантных позиций контекста для каждого запроса, сокращая стоимость attention без жёсткого ограничения на последние токены.
Итоговая Mistral Large 4:
- 1 трлн параметров, 52 млрд активных.
- 41% на Terminal-Bench 4.0.
- 19,7% на FrontierCode 2.0.
- NVFP4-чекпоинт размером 606 ГБ, который помещается на четырёх NVIDIA GB300.
Самое интересное здесь даже не результаты модели.
Одинаковый language modeling loss ещё не означает одинаковое качество AI-агента. Модель может хорошо предсказывать следующий токен, но хуже выполнять длинные последовательности действий, где приходится постоянно обращаться к старому контексту.
Для разработки агентных LLM это существенный нюанс: оптимизации KV-cache нужно проверять на реальных многошаговых задачах, а не только по perplexity и стандартным бенчмаркам.
https://www.alphaxiv.org/abs/2611.mistral-large-4 | 1 562 |
| 9 | «Всё неправильно, переделай» - этой фразы хватает, чтобы ИИ усомнился в правильном решении.
Исследователь Google проверил, как агенты Gemini реагируют на ошибочную критику пользователя. Простая инструкция «стой на своём» оказалась плохим решением: модели начинали игнорировать и реальные ошибки.
Метод Thinking-in-Bets предлагает другой порядок работы. До получения обратной связи агент записывает:
- какие утверждения считает верными;
- какими проверками они подтверждены;
- насколько уверен в каждом из них.
После критики агент сверяется с записью, проверяет конкретные возражения и просит пример ошибки, если претензия расплывчатая.
В проверке патчей на пяти моделях Gemini доля ошибочных отказов от верной оценки выполненных требований снизилась с 12,2% до 0,02%. Это метрика пересмотра оценки, а не процент сломанного кода.
В отдельном эксперименте с отчётами итоговую проверку прошли 89% работ, когда запись делали заранее. Если составляли её уже после критики - только 65%.
Результат препринта: фиксировать проверенные факты нужно до возражения, пока оно не повлияло на оценку. Дополнительное обучение модели для этого не требуется.
https://arxiv.org/abs/2610.34654 | 1 638 |
| 10 | Как профессионально пользоваться Claude: большой гайд
Как пользоваться Claude профессионально: выбор модели, промпты, effort, Projects, CLAUDE.md, skills, MCP, субагенты, hooks, облачные сессии, ревью кода и API.
Этот гайд для тех, кто работает с Claude каждый день: пишет код, разбирает документы, автоматизирует рутину. Ниже собраны приёмы, которые помогают пользоваться Claude профессионально и экономят часы и токены: от выбора модели до настройки Claude Code и работы через API. Часть советов опирается на рекомендации команды Claude Code.
https://uproger.com/kak-polzovatsya-claude-guide/ | 1 569 |
| 11 | Бесплатная книга «Multimodal Deep Learning» - 272 страницы о том, как нейросети объединяют разные типы данных.
Как связать изображение с текстовым описанием? Научить модель использовать одну модальность для понимания другой? Объединить несколько источников информации в одной архитектуре?
Книга последовательно разбирает:
- Основы работы с текстом и изображениями по отдельности.
- Преобразование одной модальности в другую.
- Совместное обучение представлений: когда данные одного типа помогают лучше понимать другой.
- Архитектуры для одновременной обработки нескольких модальностей.
- Универсальные мультимодальные модели и генеративное искусство.
Материал вырос из исследовательского семинара и подойдёт тем, кто уже знаком с основами глубокого обучения и хочет разобраться в мультимодальных подходах.
На английском. Опубликована в 2023 году – полезна для изучения основ, но не охватывает последние поколения моделей.
PDF: https://arxiv.org/pdf/2301.04856 | 1 716 |
| 12 | ИИ может писать рабочий код и одновременно делать проект всё сложнее для разработки.
В эссе The Decoherence Trap автор описывает «декогеренцию»: ситуацию, когда в системе накапливаются решения, каждое из которых разумно само по себе, но плохо согласуется с остальными.
Представьте: один модуль возвращает ошибки исключениями, другой - кодами, третий, объектами результата. Каждая задача решена. Но при объединении приходится постоянно переводить между разными подходами.
Цена изменений начинает определяться количеством несовместимых решений, которые нужно учитывать, и побочных эффектов, которых нужно избежать.
По мысли автора, ИИ ускоряет накопление этой проблемы: быстро создавать локально убедительные решения становится проще, а поддерживать целостность системы по-прежнему трудно.
Отсюда полезный вопрос для ревью: «Этот код работает?» — только начало. «Он согласуется с остальным проектом?» — следующий обязательный шаг.
Чем быстрее команда генерирует код, тем ценнее общие соглашения, понятные границы модулей и удаление дублирующих абстракций.
https://maevyn.codes/decoherence | 1 871 |
| 13 | 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/ | 1 |
| 14 | 📖 ИИ-агент учится новому - и ломает то, что уже умел.
В новой работе Google DeepMind исследователи проверили агентов, которые улучшают себя без переобучения модели: редактируют системный промпт, память и файлы навыков.
Сравнили ReasoningBank, GEPA и Meta-Harness на последовательностях задач, где менялись темы, процессы и области применения.
GEPA сильнее всего улучшал результаты на текущих задачах — в среднем на 6,2 процентного пункта за блок. Но и падение на остальных было самым большим: 4,3 пункта.
Показательный случай: агент научился запрашивать недостающие детали у пользователя. Позже новые правки перезаписали это правило — и прежний прирост 15,5 пункта сократился до 2,5.
Правка общего промпта ради одной задачи влияет на все последующие. Полезные инструкции конфликтуют, сжимаются или исчезают.
https://arxiv.org/abs/2610.25858 | 1 681 |
| 15 | 🔧 ИИ-агент может вызвать инструмент, которого у него вообще нет
В новом исследовании разобрали галлюцинации инструментов: модели придумывают названия функций и передают аргументы, которых нет в схеме.
На десяти моделях зафиксировали 322 случая таких ошибок. Вызовы вымышленных инструментов чаще встречались при свободной генерации JSON, чем при структурированных вызовах: 34 против 3. Больший размер модели сам по себе проблему не устранял.
Отдельно проверили MCP. При объединении нескольких серверов возникают конфликты имён и подмена одного инструмента другим. Там обнаружили ещё 154 галлюцинации, в том числе у моделей, которые не ошибались в тестах с одним реестром.
Предложенная защита проста: перед проверкой разрешений убедиться, что инструмент существует, а аргументы соответствуют его схеме. Этот подход автор называют *closed-world resolution*: исполнять можно только явно зарегистрированные вызовы.
Для сравнения подобных защит представлен Hallucinated-Tools Benchmark.
https://arxiv.org/abs/2609.19425 | 1 754 |
| 16 | 🎮 Пока ИИ думал, Марио уже погиб
Исследователи Пекинского университета и Samsung создали RealtimeBench: 180 задач в шести играх, включая Mario, Snake и Tetris. Главное условие: игра продолжает идти, пока модель принимает решение.
С паузами GPT-6.1-sol обошла быструю Jev в пяти играх из шести. В реальном времени средние оценки оказались такими:
• GPT-6.1-sol: 1,51 из 100
• Jev: 13,51 из 100
Хорошее решение теряет смысл, если команда прыжка приходит после столкновения.
Авторы предложили TORSI: медленная модель между попытками разбирает ошибки быстрой, проверяет варианты действий и пишет для неё инструкции. Во время игры быстрая модель действует самостоятельно.
После двух раундов средний результат Jev вырос с 13,51 до 24,19, примерно на 79%. Улучшения получили во всех шести играх, без изменения весов модели.
Практическая идея для агентов: быстрые решения во время работы, глубокий разбор и улучшение инструкций между попытками.
https://arxiv.org/abs/2610.20665 | 1 712 |
| 17 | 🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд. | 1 242 |
| 18 | ✔️ OpenAI ведёт переговоры о покупке ИБ-компании Trail of Bits
Обе компании уже работали вместе над проектом Patch the Planet, где модели OpenAI в связке с инструментами Trail of Bits автоматически искали и исправляли ошибки в открытом коде.
Нью-йоркская Trail of Bits основана в 2012 году, в ней около 40 сотрудников, специализируется она на реверс-инжиниринге, аудите криптографических систем и поиске уязвимостей в открытом коде, а среди её клиентов Uniswap, Aave и Worldcoin.
Поглощение расширит возможности OpenAI в практической безопасности продуктов.
theinformation.com
✔️ Fish Audio выложила TTS-модель Drama 3
Модель рассчитана на художественный дубляж, аудиокниги и озвучку игр, поддерживает 83 языка и позволяет детально режиссировать эмоции.
Текстовые ремарки в квадратных скобках прямо внутри реплик дают шёпот, смех, гнев и другие эмоциональные краски. В бенчмарке Artificial Analysis Drama 3 показала точность 93,2% при чтении дат и контекстно-зависимых слов, обойдя S2.1 Pro.
Архитектура построена на MoE и несёт 35 млрд общих параметров при 3 млрд активных, с гибридным вниманием Gated DeltaNet и MTP-декодером аудиокодеков.
Веса лежат на Hugging Face, а бесплатно использовать модель в коммерческих проектах могут компании с годовой выручкой до 500 тыс. долларов.
fish.audio
✔️ Prime Intellect купила Moondream вместе с командой
Платформа децентрализованных вычислений забрала разработчика компактных открытых VLM. Ключевая технология стартапа – движок инференса Photon, который компилирует архитектуру модели в единую программу под ускоритель с помощью собственных ядер.
На Nvidia H100 связка Photon и Moondream держит больше 60 запросов в секунду с задержкой в десятки миллисекунд.
Основатели Вик Коррапати и Джей Аллен переходят в Prime Intellect, где займутся масштабированием инфраструктуры инференса, развитием VLM и агентов для управления интерфейсами.
Линейка моделей останется под брендом Moondream, движок Photon уже встроен, а доступ к Moondream 3.1 открыт через Prime Inference. Пользователей Moondream Cloud переведут на объединённую платформу.
primeintellect.ai
✔️ Google открыла Play Store для вайбкодеров
Совершеннолетним пользователям разрешили ставить на свои Android-устройства приложения, собранные в Google AI Studio, без аккаунта разработчика за 25 долларов.
Работают такие приложения в приватном режиме, то есть скрыты из поиска и рекомендаций магазина, а встроенные покупки в них заблокированы полностью. Рассчитано обновление на тех, кто пишет программы под себя и не собирается публиковать их.
В следующих обновлениях Google обещает дать возможность делиться самодельными приложениями с семьёй и друзьями.
bloomberg.com
✔️ OPPO встроит агентов Manus в ColorOS 17
По условиям партнёрства агенты Manus появятся в смартфонах серии Find X10, работать они будут в режиме Agent Mode фирменного ассистента AI Mind Pilot.
Система разберёт составной запрос на последовательность шагов, соберёт данные из установленных приложений, обработает локальные файлы и вызовет внешние API, чтобы выдать результат.
Поиск, сортировку и анализ файлов телефон делает у себя, не передавая содержимое на серверы Manus, а обращения к облачным сервисам и отправка конкретных данных идут только после подтверждения пользователем.
oppo.com
@ai_machinelearning_big_data
#news #ai #ml | 1 062 |
| 19 | С вас идея, а Т-Банк за нее заплатит
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября | 1 504 |
| 20 | 🧠 BERT жив. UltraBERT показал, что рецепт обучения может быть важнее дополнительных триллионов токенов.
Вышли открытые энкодеры на 152 млн и 380 млн параметров с контекстом 32K. Для классификации текста, распознавания сущностей, поиска ответов, оценки качества и retrieval.
Главная фишка обучения:
• В одних примерах скрывают 5% токенов: это помогает классификации.
• В других скрывают 50%: это помогает поиску.
• Для каждого режима используют отдельную выходную голову.
• Знания модели-учителя на 1,3 млрд параметров передают только примерам с 5% маскирования.
Почему выборочно? В экспериментах дистилляция улучшала классификацию, но ухудшала поиск при высоком маскировании. Универсального «учитель всегда делает ученика лучше» не получилось.
Ещё один показательный вывод: после 1–2 трлн токенов качество на прикладных задачах выходило на плато, хотя loss продолжал снижаться.
По сравнению авторов, версия 380M лидирует на GLUE и BEIR среди сопоставимых энкодеров. Младшая модель достигает уровня RoBERTa-large в классификации при 2,3 раза меньшем числе параметров.
Веса, код и лицензия Apache 2.0:
https://huggingface.co/collections/dmis-lab/ultrabert
Статья:
https://arxiv.org/abs/2610.15028 | 1 689 |
