ИИ в горах | обучение машинному обучению
رفتن به کانال در Telegram
Ссылка на группу для обсуждения https://t.me/+stqmWbhe8X5jMWJi Наш сайт https://mountainai.tech/ Курс по RL https://github.com/pyshka501/Reinforcement-Learning-from-bandits-to-RLHF
نمایش بیشتر733
مشترکین
اطلاعاتی وجود ندارد24 ساعت
+27 روز
+1530 روز
در حال بارگیری داده...
جذب مشترکین
ژوئیه '26
ژوئیه '26
+4
در 0 کانالها
ژوئن '26
+29
در 0 کانالها
Get PRO
مه '26
+239
در 6 کانالها
Get PRO
آوریل '26
+59
در 0 کانالها
Get PRO
مارس '26
+88
در 0 کانالها
Get PRO
فوریه '26
+61
در 1 کانالها
Get PRO
ژانویه '26
+4
در 0 کانالها
Get PRO
دسامبر '25
+2
در 0 کانالها
Get PRO
نوامبر '25
+28
در 0 کانالها
Get PRO
اکتبر '25
+24
در 0 کانالها
Get PRO
سپتامبر '25
+78
در 0 کانالها
Get PRO
اوت '250
در 0 کانالها
Get PRO
ژوئیه '25
+18
در 0 کانالها
Get PRO
ژوئن '250
در 0 کانالها
Get PRO
مه '25
+128
در 0 کانالها
Get PRO
آوریل '250
در 0 کانالها
Get PRO
مارس '25
+15
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 12 ژوئیه | 0 | |||
| 11 ژوئیه | 0 | |||
| 10 ژوئیه | +1 | |||
| 09 ژوئیه | 0 | |||
| 08 ژوئیه | +1 | |||
| 07 ژوئیه | 0 | |||
| 06 ژوئیه | +1 | |||
| 05 ژوئیه | 0 | |||
| 04 ژوئیه | 0 | |||
| 03 ژوئیه | 0 | |||
| 02 ژوئیه | 0 | |||
| 01 ژوئیه | +1 |
پستهای کانال
Проект сильно переработан, так что советую оценить новую версию, так же он будет активно развиваться. А скоро (до среды) здесь появится информация о старте курса по агентным системам!
| 2 | Состоялся релиз обновления экосистемы MAESTRO!
Всем привет! Мы выпустили MAESTRO: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов с помощью.
Теперь MAESTRO превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам.
CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом
Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше.
Что это меняет на практике?
- Каждый шаг исполнения виден, а код исполняется в изолированной среде.
- Production-цепочка фиксируется под стабильным идентификатором.
- Лучшие версии отбираются по измеримым метрикам.
- Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре.
Из чего состоит MAESTRO?
- Модуль MAGE собирает переиспользуемую агентную цепочку по текстовому запросу.
- Библиотека CARL задаёт единый формат описания цепочки.
- Модуль GigaEvo Memory хранит цепочки, версии и историю изменений.
- Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам.
Как запустить?
Достаточно иметь pip или uv, чтобы установить решение локально:
uvx maestro-install
maestro
Вам потребуется:
- ключ API одного из веб-поисков (Tavily / Brave / SerpAPI),
- ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter)
- установленный Docker (для локального размещения модулей памяти и эволюции)
Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6
MAESTRO также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации.
Страница проекта: https://airi-maestro.github.io/care-page
Документация: https://airi-maestro.github.io/care-docs/ru/ | 376 |
| 3 | А вот и окончательно | 340 |
| 4 |  Обновленная GPT‑5.5‑Cyber обошла Mythos на поиске уязвимостей в коде
openai.com/index/daybreak-securing-the-world/
OpenAI объявили, что выводят модель из превью, и теперь партнерам и отдельным кибербезопасникам будет доступна полная версия GPT-5.5-Cyber.
На CyberGym – основном крупном бенче по работе с уязвимостями – модель набрала 85.6%. Mythos на нем же набирает 83.8%.
Самое интересное, что в списке партнеров, которым предоставляется модель, фигурируют не только американские компании. Наверное, правительство США должно это ограничить, как и в случае с Anthropic. Правда? Правда же?… | 557 |
| 5 | За обновлениями экосистемы MAESTRO и GigaEvo можно следить в нашем чате:
t.me/maestrogigaevo
@mountainai_info | сайт | 535 |
| 6 | В связи с этим релизом уже в следующий понедельник начнется интенсив на 2 недели по созданию агентов с нуля, где изучи как теорию, так и современные фреймворки для создания production-ready агентов, которые используются в больших компаниях
@mountainai_info | сайт | 1 001 |
| 7 |  +2А вот и сам интерфейс, всем советую перейти на лендинг, там будет много всего интересного) | 210 |
| 8 | Состоялся релиз бета-версии MAESTRO CARE!
Всем привет! Мы выпустили MAESTRO CARE: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов.
MAESTRO CARE превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам.
CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом
Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше.
Что это меняет на практике?
- Агент перестаёт быть одноразовым ответом модели.
- Каждый шаг исполнения виден, а код исполняется в изолированной среде.
- Production-цепочка фиксируется под стабильным идентификатором.
- Лучшие версии отбираются по измеримым метрикам.
- Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре.
Из чего состоит MAESTRO CARE?
- Модуль MAGE собирает агентную цепочку по текстовому запросу.
- Библиотека CARL задаёт единый формат описания цепочки.
- Модуль GigaEvo Memory хранит цепочки, версии и историю изменений.
- Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам.
Как запустить?
Достаточно иметь pip или uv, чтобы установить решение локально:
uvx care-install
care
Вам потребуется:
- ключ API одного из веб-поисков (Tavily / Brave / SerpAPI),
- ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter)
- установленный Docker (для локального размещения модулей памяти и эволюции)
Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6
MAESTRO CARE также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации.
Страница проекта: https://airi-maestro.github.io/care-page
Документация: https://airi-maestro.github.io/care-docs/ru/
Будем рады обратной связи, примерам задач и сценариям, на которых можно проверить MAESTRO CARE и CARL в реальных рабочих процессах! Ссылка на форму обратной связи:
https://forms.yandex.ru/u/6a35070002848f66d7bf3d27/ | 234 |
| 9 |  +2بدون متن... | 4 |
| 10 | Состоялся релиз бета-версии MAESTRO CARE!
Всем привет! Мы выпустили MAESTRO CARE: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов.
MAESTRO CARE превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам.
CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом
Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше.
Что это меняет на практике?
- Агент перестаёт быть одноразовым ответом модели.
- Каждый шаг исполнения виден, а код исполняется в изолированной среде.
- Production-цепочка фиксируется под стабильным идентификатором.
- Лучшие версии отбираются по измеримым метрикам.
- Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре.
Из чего состоит MAESTRO CARE?
- Модуль MAGE собирает агентную цепочку по текстовому запросу.
- Библиотека CARL задаёт единый формат описания цепочки.
- Модуль GigaEvo Memory хранит цепочки, версии и историю изменений.
- Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам.
Как запустить?
Достаточно иметь pip или uv, чтобы установить решение локально:
uvx care-install
care
Вам потребуется:
- ключ API одного из веб-поисков (Tavily / Brave / SerpAPI),
- ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter)
- установленный Docker (для локального размещения модулей памяти и эволюции)
Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6
MAESTRO CARE также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации.
Страница проекта: https://airi-maestro.github.io/care-page
Документация: https://airi-maestro.github.io/care-docs/ru/
Будем рады обратной связи, примерам задач и сценариям, на которых можно проверить MAESTRO CARE и CARL в реальных рабочих процессах! Ссылка на форму обратной связи:
https://forms.yandex.ru/u/6a35070002848f66d7bf3d27/ | 4 |
| 11 | Его зовут Maestric, а релиз уже состоялся сегодня) | 532 |
| 12 |  Новости ожидаются уже сегодня! А вообще его имя начинается на Maes*** | 758 |
| 13 |  Скоро будут новости, не просто так я пропал, сейчас готовим один проект, вот небольшой спойлер | 754 |
| 14 | dgh | 48 |
| 15 |  🐟 Sakana AI выкатили DiffusionBlocks - способ обучать нейросеть по одному блоку за раз, не держа в памяти всю модель целиком. Работу приняли на ICLR 2026.
При обычном обучении градиенты проходят через весь граф, а память под активации растёт вместе с глубиной модели. DiffusionBlocks предлагает разрезать сеть на отдельные блоки и обучать каждый независимо.
Каждому блоку дают свою локальную задачу: сдвинуть представление чуть ближе к целевому состоянию, чем это сделал предыдущий блок. Формально это похоже на один шаг диффузионного процесса, поэтому каждый блок оптимизирует собственный лосс и не зависит от соседних блоков.
Главный плюс - память. Для тренировки нужна память под один блок, а не под всю сеть целиком.
Авторы проверили подход на разных архитектурах:
- ViT
- DiT
- masked diffusion
- авторегрессионные трансформеры
- recurrent-depth / Looped-трансформеры
По качеству результаты сопоставимы со сквозным обучением, но с куда меньшими требованиями к памяти.
В Looped-трансформерами один и тот же блок прогоняется много раз подряд, как будто модель «думает» несколькими итерациями. Обычно для обучения приходится разворачивать весь этот процесс через BPTT, из-за чего память и вычисления быстро дорожают
Это ещё один аргумент в пользу идеи, что диффузия - не только про генерацию картинок, а более универсальная рамка для обучения моделей.
Если модель упирается в VRAM из-за глубины, DiffusionBlocks выглядит как подход, за которым стоит следить.
Пейпер: arxiv.org/abs/2506.14202
Код: github.com/SakanaAI/DiffusionBlocks
@ai_machinelearning_big_data
#sakana #ai #ml | 930 |
| 16 |  Что нужно для заявки на «Лето с AIRI»? Чтобы вам было проще, собрали для вас подробный чек-лист
Резюме — в нём важно указать ваш опыт: где учились, какие у вас есть проекты, в том числе личные, стажировки, научные публикации. Можно добавить, какими технологиями владеете, что изучали, если есть — ссылки на GitHub, личный сайт или портфолио.
Research Proposal — выберите статью Core A/A* по направлениям «Лето с AIRI 2026», проанализируйте метод, описанный в статье, выделите ключевые задачи, оцените сильные и слабые стороны работы и предложите развитие. Проведите минимальные эксперименты и подготовьте отчёт. Формат: 1-2 страницы с указанием ссылки на статью. Ориентируйтесь на работы, принятые на таких конференциях, как NeurIPS, ICML, ICLR, AAAI, ACL, EMNLP, CVPR, ICCV, ECCV, KDD, IROS, ICRA (полный список: portal.core.edu.au/conf-ranks...).
Мотивационное видео — запишите или сгенерируйте видео до 2-х минут о том, почему хотите поехать на Школу, как участие в Школе поможет вам в карьере и развитии, а также немного расскажите про свою идею, которая описана в Research Proposal.
Прикрепите файлы к форме заявки. Если планируете участвовать — не откладывайте: приём заявок открыт до 29 мая включительно
@mountainai_info | сайт | 743 |
| 17 |  +3Продлеваем дедлайн подачи заявок на «Лето с AIRI» до 29 мая 10:00 🔔
Летняя школа по ИИ в этом сезоне пройдёт в Усть-Лабинске — окружённом живописной природой городе Краснодарского края. С 21 июля по 4 августа вас ждут лекции и семинары, постерная сессия, проектная работа и внеучебные активности — от спортивных соревнований до ламповых посиделок у костра. Отличная возможность прокачаться в области искусственного интеллекта, с головой погрузиться в исследования и попасть в классное комьюнити.
Если вам нужно будет официальное приглашение на Школу (например, чтобы вуз помог с оплатой билетов), мы можем его оформить — просто напишите нам.
Подавайте заявку и рассказывайте друзьям — это лето может стать ярким! Если у вас остались вопросы, пишите нам на event@airi.net 📌 | 601 |
| 18 | А вот текущие планы программы на лето (планируются курсы/интенсивы с заданиями на мирере):
1. Интенсив по агентам
2. Курс по базовому ML (для стажировок и всего подобного с практикой )
3. Курс по оптимизации инференса мовременных моделей
4. Очень возможно интенсив по вайбкодингу
И проведем какой-нибудь хакатон среди на 1000 подписчиков, даже с призами, это уже 100% | 599 |
| 19 | А вот текущие планы программы на лето (планируются курсы/интенсивы с заданиями на мирере):
1. Интенсив по агентам
2. Курс по базовому ML (повторение и обновление)
3. Курс по оптимизации и инференсу
4. Очень возможно интенсив по вайбкодингу
Начало первого уже через недели две +-, может даже пораньше
И проведем какой-нибудь хакатон среди на 1000 подписчиков, даже с призами, это уже 100% | 0 |
| 20 | Забавно, что в начале ML в финансах всегда выигрывает, сделаю важное уточнение: после курса построить свою торговую стратегию и стать миллионером, к сожалению, не получится) | 578 |
