Машинное обучение RU

Исследователи из Stanford, University of California и Nanjing University представили SEFD - переработанную версию EDGAR filings для обучения LLM на финансовых документах. Главная проблема старого подхода в том, что SEC-отчёты часто превращались в плоский текст. Модель видела слова и цифры, но теряла структуру: вложенные таблицы, объединённые заголовки, отступы, знаки, иерархию строк и связь между показателями. SEFD решает это через layout-faithful MultiMarkdown. Он сохраняет логику документа и финансовых таблиц, но убирает лишний HTML-шум, который раздувает токены и мешает обучению. Публичный снапшот содержит 152 млрд токенов. Полный архив, по оценке авторов, может дать около 550 млрд токенов длинных финансовых документов. При этом пересечение с Common Crawl-корпусами меньше 0,1%, то есть это почти незаезженный источник данных для финансовых LLM. Модели получают структуру отчётности. Для финансового анализа это критично, потому что в таких документах значение часто лежит не в отдельной цифре, а в том, где она стоит, к какому заголовку относится и как связана с соседними строками. arxiv.org/abs/2606.18192v1

Бесплатный вебинар «Обзор инфраструктуры Ollama» 23 июня в 20:00 МСК . Все больше команд разворачивают ИИ-модели внутри своей инфраструктуры, чтобы защитить данные, снизить зависимость от внешних сервисов и сократить расходы на API. На занятии разберем: • как устроена платформа Ollama для локального запуска LLM; • установку и настройку на Linux, macOS и Windows; • работу с моделями: загрузку, запуск, управление версиями; • квантизацию и оптимизацию моделей для ограниченных ресурсов. После урока вы: • поймете архитектуру Ollama и принципы ее работы; • сможете развернуть локальную LLM без облачных зависимостей; • узнаете, как эффективно использовать вычислительные ресурсы и выбирать подходящие модели. Урок пройдет в рамках «курса ИИ для разработчиков» и будет полезен разработчикам, DevOps-инженерам и всем, кто изучает практическое применение ИИ. Регистрация: https://tglink.io/0d54bd21761c54?erid=2W5zFGyzKCu Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Рост продуктивности от ИИ не линейный. Он ускоряется по мере глубины использования. Сотрудники, которые активно используют продвинутые возможности ChatGPT вроде GPT-5 Thinking, Deep Research и Image Generation, а также работают с разными моделями и инструментами, сообщают о гораздо большей экономии времени. В новом исследовании OpenAI показано: группа, которая экономит больше 10 часов в неделю, использует примерно в 8 раз больше AI-кредитов, чем сотрудники, которые сообщают о нулевой экономии времени. То есть история не в том, что «дали всем чат-бота и получили небольшой равномерный прирост». Чем глубже люди встраивают мощные AI-функции в свой рабочий процесс, тем сильнее накапливается экономия времени. Активные пользователи превращают ИИ не в случайного помощника, а в полноценного рабочего ассистента. Из отчёта OpenAI “The state of enterprise AI”. openai.com/index/the-state-of-enterprise-ai-2025-report/

Исследователи Amazon с помощью серии промптов добились от модели Anthropic Fable информации о небольшом числе уязвимостей безопасности. Amazon передала результаты американским чиновникам. Это помогло запустить экспортные ограничения, из-за которых Anthropic пришлось отключить Fable 5 и Mythos 5 для всех клиентов. Главный спор сейчас в том, что именно показало исследование: серьёзный jailbreak, который раскрыл кибервозможности уровня Mythos, или обычную помощь по кибербезопасности, уже доступную в других продвинутых моделях. Anthropic не согласна с трактовкой правительства. Эксперты по кибербезопасности, изучившие отчёт, тоже сомневаются, стоит ли вообще считать этот случай jailbreak’ом.

OpenRouter запустил Fusion - систему, где на один запрос отвечает не одна модель, а сразу несколько Суть в том, что Fusion отправляет ваш промпт параллельно в разные модели. Каждая модель пытается решить задачу по-своему, при необходимости использует web search и bash-инструменты, а затем отдельный judge сравнивает ответы. После этого synthesizer собирает финальный вариант. Получается не просто «выбор лучшей модели», а полноценная серверная схема коллективного мышления: * несколько моделей работают одновременно; * инструменты помогают проверять факты и считать; * judge отбрасывает слабые ответы; * synthesizer собирает итоговый результат в один связный ответ. OpenRouter утверждает, что Fusion уже обходит frontier-модели на DRACO, deep research benchmark от Perplexity. https://openrouter.ai/fusion

🖥 На stepik обновили курс Python в 2026 - рабочий инструмент для автоматизации, ботов, парсинга, API, данных и разработки с ИИ. Проблема новичков в том, что они учат Python кусками: синтаксис, пару задач, немного теории - и потом не понимают, как собрать из этого реальный проект. Этот курс закрывает именно этот разрыв. Здесь вы не просто смотрите уроки, а учитесь писать код, разбирать ошибки и собирать рабочие решения на практике. Внутри: - Python с нуля - много практики без сухой теории - реальные задачи и проекты - автоматизация рутины - работа с файлами, данными и API - понятная логика программирования - современная разработка с ИИ - отдельный блок по вайбкодингу Вайбкодинг это нормальный навык 2026 года и вас научат- правильно ставить задачу, проверять код, понимать результат и быстрее доводить проект до рабочего состояния. 48 часов скидка 60%: https://stepik.org/course/288218/

Title: SIA: Self Improving AI with Harness & Weight Updates В этой работе показали, что ИИ лучше улучшает сам себя, когда меняет не только обвязку вокруг агента, но и обновляет модель. Проблема в том, что прогресс ИИ до сих пор сильно зависит от людей: они вручную правят промпты, инструменты, код, данные для обучения и веса модели. Авторы предлагают SIA - цикл, где один ИИ наблюдает за работой task-agent, а затем улучшает либо его внешнюю настройку, либо саму модель. Внешняя настройка -это промпты, инструменты, правила повторных попыток, парсинг ответа и прочая обвязка. Обновление весов - это изменение поведения модели на основе обратной связи по задаче. Работает это так: агент пробует много ответов или программ, верификатор оценивает результат, а эти оценки превращаются в обучающий сигнал. После этого система обновляет небольшой набор дополнительных весов LoRA. Это меняет поведение модели без полного переобучения. Базовая модель почти не трогается, но LoRA-адаптер постепенно учится: такие ответы давали высокий reward, а такие проваливались. Авторы проверили подход на трёх разных задачах: классификация обвинений в китайском праве, ускорение GPU kernel-кода и denoising single-cell RNA. Комбинированная версия обошла вариант, где улучшали только обвязку: 70.1% на LawBench, более быстрый GPU-код, чем у предыдущего лучшего решения, и 0.289 на задаче denoising. Интересный вывод: хорошая обвязка помогает агенту действовать лучше, но обновление весов помогает ему выучить паттерны задачи, которые одними промптами и инструментами не находятся. arxiv. org/abs/2605.27276

ИИ-блогеры после выхода Claude Fable 5

⚡️ Wasserstein Learning Theory: когда ИИ учится сравнивать не точки, а целые распределения В машинном обучении всё чаще важен не один конкретный пример, а то, как устроены данные целиком. Например, модель обучали на одном распределении картинок, текстов или действий, а в реальности она получает немного другие данные. Обычная метрика может сказать: “распределения отличаются”. Wasserstein-подход показывает глубже: насколько далеко одно распределение нужно “перенести”, чтобы оно стало похоже на другое. Идея пришла из оптимального транспорта. Представьте две кучи песка: одна форма - это первое распределение, другая второе. Расстояние Вассерштейна считает минимальную работу, которую нужно сделать, чтобы переложить песок из первой формы во вторую. Почему это важно для ML: * помогает анализировать сдвиг данных * полезно для domain adaptation * даёт инструменты для устойчивого обучения * применяется в генеративных моделях * помогает изучать обобщение нейросетей * используется в reinforcement learning В отличие от KL-дивергенции, Wasserstein distance учитывает геометрию пространства. Поэтому два распределения могут отличаться не просто “сильно” или “слабо”, а с учётом того, где именно находятся эти различия. На практике это важно там, где модель должна быть устойчивой: новые домены, шумные данные, генерация, перенос знаний, обучение агентов. Wasserstein Learning Theory даёт более точный язык для современной ML-задачи: не просто подогнать модель под датасет, а понять, как она ведёт себя при изменении распределения данных.

Claude 5 Fable - кратко: - почти на всех проверенных бенчмарках модель показывает уровень SOTA - особенно сильна в разработке, работе со знаниями, vision-задачах и научных исследованиях - чем длиннее и сложнее задача, тем сильнее Fable 5 отрывается от других моделей Claude - модель эффективнее расходует токены, чем прошлые версии Claude - Fable 5 удерживает фокус на задачах длиной в миллионы токенов и улучшает результат, используя собственные заметки Fable 5 - это не просто «лучше бенчмарки». Она эффективнее, дольше работает без потери контекста, лучше управляет длинными задачами и даёт больше возможностей для сложных агентных сценариев. GPT-5.6 уже близко. Интересно, выпустит ли OpenAI свой аналог Mythos. Во время раннего тестирования Stripe заявила, что Fable 5 сжала месяцы инженерной работы до нескольких дней. В Ruby-кодовой базе на 50 млн строк модель за один день провела миграцию по всему репозиторию - работу, которая вручную заняла бы у целой команды больше двух месяцев. https://www.anthropic.com/news/claude-fable-5-mythos-5

20 июня – Летняя школа ШЕН Центрального университета Хочешь узнать, как применять математику, код и машинное обучение в биологии и медицине, но не понимаешь, с чего начать? Приглашаем на Летнюю школу программы «ИИ в биотехе» Школы естественных наук Центрального университета! Программа реализуется совместно с инженерной школой и факультетом биоинженерии и биоинформатики МГУ, а также индустриальными партнёрами: Genotek и BIOCAD. Что будет на Летней школе: — Узнаешь, как ИИ меняет биотех: от анализа геномов до дизайна лекарств с помощью нейросетей; — Послушаешь лекции от ведущих экспертов: Дмитрия Пензара, Александра Ракитько, Александра Надолинского и победителя конкурса «Биомолекула» Андрея Кузнецова; — Познакомишься с магистерской программой «ИИ в биотехе»: направления подготовки, курсы, преподаватели, карьерные перспективы; — Примешь участие в квестах и получишь шанс выиграть фаст-трек на грант до 75% от стоимости обучения. Фаст-трек – это возможность поступить в магистратуру, минуя онлайн-контест: достаточно пройти собеседование и ревью анкеты. Как попасть на Летнюю школу? Регистрация по ссылке. Отбор участников – до 15 июня. Результаты пришлём на почту. Место проведения: кампус Центрального университета, м. Маяковская, ул. Гашека, 7 Ждём тебя на Летней школе «ИИ в биотехе»!

WSJ пишет, что OpenAI сделала первый официальный шаг к IPO. Компания конфиденциально подала черновые документы для выхода на биржу. Конфиденциальная форма S-1 позволяет OpenAI начать проверку в SEC, не раскрывая сразу выручку, убытки, структуру клиентов, расходы на вычисления и зарплаты руководителей. Так компания может готовиться к листингу, сохраняя чувствительные цифры закрытыми. На прошлой неделе Anthropic уже подала свои конфиденциальные документы для IPO. Поэтому это больше не только гонка моделей, а ещё и гонка капитала между лабораториями, которым нужно финансировать следующее поколение ИИ-инфраструктуры. wsj.com/tech/ai/openai-kicks-off-ipo-process-in-test-of-investor-appetite-for-top-ai-labs-eb7bebe1

✔️ OpenAI переделает ChatGPT в суперприложение В ближайшие недели компания проведёт первый крупный редизайн ChatGPT с 2022 года. Сервис трансформируется из диалогового чат-бота в платформу автономных агентов. Обновлённый интерфейс интегрирует партнёрские сервисы для самостоятельного выполнения многошаговых задач без дополнительных промптов и переключения между приложениями. Смена курса обусловлена низкой рентабельностью чат-бота. Перед IPO OpenAI смещает фокус на B2B-сегмент и реструктуризирует продуктовые команды. Бизнес-модель переориентируется на корпоративных клиентов со стабильной монетизацией по аналогии со стратегией Anthropic. ft.com ✔️ Инженер из аппаратного подразделения OpenAI перешёл в Anthropic Anthropic наняла бывшего инженера OpenAI Клайва Чана для разработки собственных ИИ-чипов. До этого у компании не было профильного аппаратного подразделения. В OpenAI Чан проектировал кастомный кремний и участвовал в партнёрстве с Broadcom. До этого он разрабатывал чипы для обучения ML-моделей в Tesla Autopilot, где отвечал за архитектуру дата-центров и энергоэффективные вычисления. Найм Чана должен помочь Anthropic сформировать команду аппаратных инженеров. Переход на собственное железо планируется для снижения себестоимости вычислений и повышения маржинальности. Clive Chan в сети Х ✔️ TSMC испытывает дефицит производственных мощностей Google заказала у Intel производство более 3 млн TPU на 2028 год. Nvidia пока не заключила контракт, но тестирует техпроцессы Intel для будущей GPU-архитектуры Feynman. Причина переноса заказов - из-за нехватки производственных линий у TSMC. Глава TSMC подтвердил, что индустрия не сможет покрыть спрос на ИИ-чипы в ближайшие несколько лет. Дефицит позволил Intel привлечь новых клиентов на фоне прошлых финансовых убытков и срывов дедлайнов. Параллельно SK Hynix проверяет совместимость своей памяти с новыми технологиями упаковки Intel. theinformation.com ✔️ Sakana AI займётся алгоритмической эволюцией ИИ Японский стартап открыл исследовательскую лабораторию рекурсивного самосовершенствования (RSI). Цель - создание сетей, которые итеративно переписывают, тестируют и оптимизируют собственный код. Компания рассчитывает, что алгоритмическая эволюция позволит отказаться от парадигмы масштабирования вычислений. В портфеле стартапа уже есть система LLM-Squared, где одни LLM создают алгоритмы обучения для других, и платформа AI Scientist, автоматизирующая научные исследования. Следующий этап дорожной карты Sakana AI - разработка автономных агентов, способных улучшать свою архитектуру без участия человека. sakana.ai ✔️ Динамический биллинг лишил 74% бизнеса контроля над ИИ-бюджетами По данным неопубликованного отчета KPMG, только 26% компаний полностью контролируют свои расходы на ИИ. 50% ведут ограниченный мониторинг, а 22% узнают о затратах постфактум из выставленных счетов. Причина - неготовность финансовых отделов к токенизированному биллингу и динамическому ценообразованию. Из-за непрогнозируемой нагрузки потребление ресурсов в отдельных проектах возрастает до 6 раз. Это приводит к исчерпанию годовых бюджетов на облачные вычисления и API за несколько месяцев. По итогам текущего квартала ожидается пересмотр расходов после получения бизнесом реальных счетов от ИИ-провайдеров. Текущую ситуацию сравнивают с закупками облачных мощностей во время пандемии, за которыми последовало сокращение инфраструктурных бюджетов. wsj.com @ai_machinelearning_big_data #news #ai #ml

Как не потеряться в потоке кандидатов? На каждую DS-вакансию десятки откликов, а работодатели становятся разборчивее: хотят не только технические навыки, но и понимание бизнеса, умение решать реальные задачи. 11 июня в 19:00 Вера Коливерда, старший аналитик данных Райффайзен Банка и преподаватель НИУ ВШЭ, расскажет, какие навыки востребованы в аналитике в 2026 году и как выстроить траекторию. На бесплатном вебинаре разберем задачу предсказания оттока - реальный кейс: сегментация клиентов и алгоритмы ML без учебных датасетов. Подойдет тем, кто входит в DS или хочет структурировать знания для уверенного старта на рынке/ Присоединяйтесь к эфиру 11 июня в 19:00 по ссылке: https://clc.to/erid_2W5zFG65QBs Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFG65QBs

Rust теперь можно компилировать в JVM bytecode. rustc_codegen_jvm - экспериментальный backend для компилятора Rust, который берёт Rust MIR и превращает его в .class файлы, а затем собирает runnable .jar под JVM 8+. Что уже заявлено: - генерация исполняемого .jar - поддержка базового core - if/else, match, for, while, loop - structs, tuples, arrays, slices, enums - traits, closures, dynamic dispatch - function pointers, recursion, generics - часть unsafe, включая unions - оптимизации вроде constant folding, propagation и dead code elimination Пайплайн выглядит так: Rust frontend → MIR → OOMIR → JVM classfile → R8 → .jar https://github.com/IntegralPilot/rustc_codegen_jvm

Liquid AI выпустили две компактные модели под японский язык: речевую LFM2.5-Audio-1.5B-JP и языковую LFM2.5-1.2B-JP-202606. Самое интересное здесь - речевая модель. LFM2.5-Audio-1.5B-JP умеет принимать японскую речь и отвечать японской речью напрямую. Это не связка из ASR + LLM + TTS, а единая end-to-end модель для полного речевого цикла. Что заявляют по LFM2.5-Audio-1.5B-JP: - 1.5B параметров - первая японская speech-to-speech модель Liquid AI - превосходит J-Moshi примерно на 77B параметров - показывает уровень, близкий к Qwen2.5-Omni-3B - подходит как базовая модель для дальнейшего дообучения Вторая модель - LFM2.5-1.2B-JP-202606, обновлённая японская LLM на 1.2B параметров. Предыдущая версия уже обходила Qwen3-1.7B и Llama 3.2 1B на JMMLU, M-IFEval и GSM8K. В новой версии улучшили смесь японских данных, промежуточное обучение и пост-тренинг. https://huggingface.co/LiquidAI/LFM2.5-Audio-1.5B-JP https://huggingface.co/LiquidAI/LFM2.5-1.2B-JP-202606

🚀 GPU-библиотека для классического машинного обучения FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения. 🚀Основные моменты: - Поддержка 15 высокоуровневых примитивов для машинного обучения. - Информативный API для оценки производительности операций. - Оптимизированные реализации для кластеризации, регрессии и декомпозиции. - Легкая интеграция с PyTorch и sklearn. 📌 GitHub: https://github.com/FlashML-org/flashlib #python

🚀 Упрощение разработки с GSD Redux GSD Redux — это легковесная система для метапромптинга и управления контекстом, помогающая разработчикам эффективно работать с AI. Она решает проблему деградации качества контекста, позволяя создавать четкие спецификации и контролировать процесс разработки. 🚀 Основные моменты: - Легкая интеграция с различными AI-платформами. - Поддержка автоматизации разработки и управления проектами. - Обеспечивает безопасность и прозрачность через аудит. - Подходит для индивидуальных разработчиков и небольших команд. 📌 GitHub: https://github.com/open-gsd/get-shit-done-redux #javascript

⚡️ Сэм Альтман подтвердил возвращение OpenAI к разработке воплощенного ИИ Проект вырос из исследований по симуляции физического мира, к которым присоединилась команда видеогенератора Sora. На начальном этапе компания сосредоточится на разработке специализированных машин для помощи в строительстве инфраструктуры.   Конечная цель проекта - обеспечить каждого человека персональным роботом, способным выполнять любые бытовые и рабочие поручения. В 2020 году компания закрыла предыдущие проекты в робототехнике из-за дефицита обучающих данных. Для перезапуска направления OpenAI открыла наем инженеров по аппаратному обеспечению, системной интеграции и ML. Возвращение связано с развитием воплощенного ИИ: взаимодействие алгоритмов с физической средой позволит собрать массивы данных, необходимых для обучения AGI. @ai_machinelearning_big_data #news #ai #ml

VINS-120K - полезный датасет для следующего этапа image editing моделей: редактирование изображений в 4K+ без развала мелких деталей. Сейчас многие модели неплохо правят обычные картинки, но на сверхвысоком разрешении быстро всплывают проблемы: текстуры мажутся, локальные правки портят соседние области, а результат выглядит хорошо только после уменьшения. Для реального продакшена этого мало. VINS-120K закрывает именно этот разрыв. В датасете 120 тысяч троек: инструкция, исходное изображение и отредактированная версия. Все изображения выше 4K, данные собраны из реальных видео высокого разрешения и качественных открытых источников, затем отфильтрованы по визуальному качеству, соответствию инструкции и эстетике. Покрытие тоже широкое: 13 типов редактирования в 4 категориях - локальные правки, глобальные изменения, движение камеры и персонализированная генерация. Paper: https://modelscope.ai/papers/2605.23518 Dataset: https://modelscope.cn/datasets/vivo/VINS-120K