Машинное обучение RU
Открыть в Telegram
Все о машинном обучении админ - @workakkk @data_analysis_ml - анализ даннных @ai_machinelearning_big_data - Machine learning @itchannels_telegram -лучшие ит-каналы @pythonl - Python @pythonlbooks- python 📚 @datascienceiot - 📚 РКН: clck.ru/3FmrUw
Больше
Сеть:📈 Аналитический обзор Telegram-канала Машинное обучение RU
Канал Машинное обучение RU (@machinelearning_ru) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 18 179 подписчиков, занимая 7 034 место в категории Технологии и приложения и 36 331 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 18 179 подписчиков.
Согласно последним данным от 03 сентября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 100, а за последние 24 часа — -3, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.25%. В первые 24 часа после публикации контент обычно набирает 4.49% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 1 682 просмотров. В течение первых суток публикация набирает 816 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 9.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как github, llm, openai, параметр, архитектура.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Все о машинном обучении
админ - @workakkk
@data_analysis_ml - анализ даннных
@ai_machinelearning_big_data - Machine learning
@itchannels_telegram -лучшие ит-каналы
@pythonl - Python
@pythonlbooks- python 📚
@datascienceiot - 📚
РКН: clck.ru/...”
Благодаря высокой частоте обновлений (последние данные получены 04 сентября, 2026) канал поддерживает актуальность и высокий уровень охвата публикаций. Аналитика показывает, что аудитория активно взаимодействует с контентом, что делает его важной точкой влияния в категории Технологии и приложения.
18 179
Подписчики
-324 часа
+207 дней
+10030 дней
Архив постов
18 182
Бесплатная книга по performance engineering
В Algorithmica хорошо разобрали, почему классическая оценка сложности всё хуже отражает реальную производительность на современном железе.
Раньше модель была довольно логичной: процессор выполняет инструкции почти последовательно, у каждой есть своя стоимость, а значит можно примерно оценить время работы алгоритма количеством операций.
Потом всё упростили до асимптотики. Например, вместо точного количества операций в умножении матриц мы просто говорим
O(n³) и игнорируем константы. Для сравнения алгоритмов на больших данных это удобно.
Но современные CPU устроены намного сложнее: кэши, конвейеры, параллельное выполнение инструкций, SIMD, prefetching, память с разной задержкой.
Поэтому два алгоритма с одинаковым O(n) могут отличаться по скорости в разы.
А иногда алгоритм с формально «хуже» сложностью на реальных размерах данных оказывается быстрее.
Хорошая серия для тех, кто хочет перейти от «у этого O(n), значит быстро» к пониманию того, как код реально выполняется процессором.
en.algorithmica.org/hpc/complexity/18 182
Курс «ИИ-агенты: продвинутое внедрение и использование» — это практика, а не теория.
Что освоите:
• Работу с агентами: точные промпты, управляемый контекст, генерация идей и прототипов.
• End-to-end разработку с AI: от требований до готового фронтенда и бэкенда, отладка, тестирование, интеграция.
• Инструменты и LLM: Cursor, Copilot, Cline, российские YandexGPT/GigaCode, open-source (DeepSeek, Qwen), основы RAG и finetuning.
• Архитектуру и стратегию: проектирование систем с AI-ускорителем, выбор решений (Cloud, IDE, On-Premise), встраивание в существующие продукты.
Формат: 3 месяца онлайн, занятия вт и чт в 20:00 МСК. Вебинары и записи. Домашние задания, итоговый проект. Комьюнити
Результат: вы перестанете конкурировать с агентами и начнёте ими управлять, используя AI как ×10 к продуктивности.
Курс стартует 29 сентября.
👉 Оставить заявку https://otus.pw/UPxx/?erid=2W5zFGj3Rdj
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
18 182
Плачу $60 в месяц, а в итоге всё равно гоняю один и тот же баг через все три аккаунта.
18 182
Как будут развиваться технологии искусственного интеллекта в ближайшие годы? Какие исследовательские идеи уже превращаются в работающие продукты? С какими задачами сегодня сталкиваются AI-команды?
17 сентября в Москве пройдёт AI R&D DAY — конференция для исследователей, разработчиков, руководителей R&D-команд и специалистов, которые создают и внедряют передовые решения на основе искусственного интеллекта.
В центре программы — NextGenAI, проект, который исследует новые вызовы и формирует образ будущего ИИ.
Вас ждут 22 доклада в рамках двух треков. Поговорим о:
-новых подходах к созданию и обучению моделей;
-системах, которые одновременно работают с текстом, изображениями, звуком и другими типами данных;
-развитии голосовых технологий;
-оценке качества AI-решений;
-внедрении технологий в реальные продукты.
Участие бесплатное, места ограничены.
17 сентября — Москва (очно) и онлайн.
Регистрируйтесь
#реклама
О рекламодателе
18 182
🔥 Qwen3.8 27B уже «раздели» от большей части встроенных отказов и подготовили для локального запуска
Huihui-Qwen3.8-27B-abliterated — модифицированная версия Qwen3.8-27B, где через abliteration заметно ослабили safety-фильтры и склонность модели отказываться от запросов. Авторы прямо называют реализацию экспериментальной.
Теперь выложены все GGUF-квантизации, так что модель можно запускать через llama.cpp, LM Studio и совместимые инструменты. Отдельно появились готовые версии для Ollama.
Для Ollama достаточно:
ollama run huihui_ai/Qwen3.8-abliterated
Модель также можно протестировать прямо на Hugging Face, а в обсуждениях уже появились пользовательские тесты с довольно сильными результатами после abliteration.
При этом сами авторы предупреждают: фильтрация существенно снижена, поэтому модель лучше использовать для исследований и локальных экспериментов, а не без дополнительного контроля в публичном продакшене.
Hugging Face: huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated18 182
🔐 Как может работать watermarking в Claude.
При генерации текста модель почти никогда не имеет ровно один «правильный» следующий токен. Обычно есть несколько вариантов с близкими вероятностями, и выбор между ними делается через sampling.
Watermarking добавляет ещё один фактор: секретный ключ влияет на то, какой из подходящих токенов будет выбран в конкретной позиции.
Сам текст при этом выглядит обычным.
Но если повторять такой выбор на множестве позиций, появляется статистический паттерн, который крайне маловероятно получить случайно. По нему потом можно определить, что текст был сгенерирован моделью.
Watermark можно добавлять прямо во время inference.
Если механизм нужен из-за требований ЕС, почему включать его для всех пользователей, а не только для европейского трафика?
Технически региональное включение выглядит вполне возможным. Значит, причины могут быть уже не в самой модели, а в эксплуатации, унификации инфраструктуры и политике компании.
https://x.com/AnthropicAI/status/2088343978873966687
18 182
💸 Дешёвый токен ещё не значит дешёвую модель.
По исследованию AlphaSense, Kimi может стоить заметно дешевле GPT-5.6 Sol за токен, но обходиться дороже за один завершённый вопрос.
Причина простая: модель тратит больше токенов на сбор контекста, повторный retrieval и длинные цепочки перед тем, как добраться до полезного ответа.
Реальная формула стоимости выглядит так:
цена токена × количество токенов до завершения задачи
И здесь более дорогая модель может оказаться выгоднее, если она быстрее находит нужные данные, вовремя останавливается и работает с меньшим контекстом.
В многошаговых агентах это особенно критично: лишний retrieval на первом этапе раздувает контекст на всех следующих шагах.
AlphaSense пишет, что только изменение retrieval-пайплайна вокруг той же модели дало примерно 3× снижение стоимости.
Поэтому экономика AI всё сильнее зависит не от прайса API, а от retrieval, routing и evaluation вокруг самой модели.
https://www.alpha-sense.com/resources/product-articles/frontier-ai-models-context/18 182
Что скрывается за монетизацией поиска и реков в Авито 👀
Рассчитать ожидаемую выручку сложнее, чем кажется: нельзя просто умножить вероятность на ставку. На практике всё упирается в данные, метрики и бизнес-ограничения.
Если вам интересно, как работает наше ранжирование, приходите на Хабр почитать и оставить комментарии.
18 182
🚀 Вышла dots3-note preview - открытая MoE-модель с прицелом на долгоживущих AI-агентов.
Внутри 280B параметров, из которых активны 16B, контекст 512K и мультимодальность: текст, изображения и аудио.
Главная фишка - TEMPO, новый подход к RL для обучения агентов на длинных задачах. Модель учится критиковать собственные действия, оценивать промежуточные решения и лучше работать там, где одной попытки недостаточно.
dots3-note умеет исследовать незнакомые среды, обновлять память по ходу работы, использовать код и инструменты и связывать всё это с мультимодальным восприятием.
Авторы утверждают, что модель конкурентоспособна с гораздо более крупными системами в reasoning, agentic и multimodal-бенчмарках.
Весы уже открыты на Hugging Face. Вместе с моделью команда выпустила два новых бенчмарка для «реальных» агентов - VibeSearchBench и VibeLifeBench.
Tech blog:
https://studio.dots.ai/dots/dots3-en.html
Weights:
https://huggingface.co/dots-studio/dots3-note-prev
GitHub:
https://github.com/studio-dots-ai/dots3-note-prev
18 182
🚀 DeepSeek обновила V4-Pro: упор теперь не просто на reasoning, а на полноценную агентную работу
Компания заявила о крупных улучшениях Agent-возможностей и добавила гибкое управление глубиной рассуждений для V4-Pro и V4-Flash.
Идея простая:
*
low - простые задачи;
* high - обычные agent-workflows;
* max - сложные многошаговые задачи.
В актуальной API-документации DeepSeek для thinking mode фактически закреплены уровни high и max, а low/medium маппятся в high. Для сложных coding-agent сценариев effort может автоматически переключаться на max.
V4-Pro уже доступна через API как:
deepseek-v4-pro
18 182
До 20 августа открыт прием заявок в магистратуру «Машинное обучение» в Центральном университете!
У каждого абитуриента есть шанс получить грант до 75% на весь срок обучения.
«Машинное обучение» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из трех треков:
1️⃣Индустриальный — сильная база в ML, современные инструменты, реальные задачи от партнеров
2️⃣Научный (AIRI × ЦУ) — сложные модели, исследования, подготовка к аспирантуре и работе в передовых лабораториях
3️⃣ML в электронной коммерции × Lamoda — работа с реальными данными Lamoda, применение ML для бизнес-задач и возможность попасть на стажировку в компанию
Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат: основной трек и продвинутый — для специалистов с опытом в ML. Это полноценная альтернатива офлайну с теми же преподавателями и курсами.
Магистратура в ЦУ — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.
🏆Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости.
В 2026 году доступно 550 грантов на все программы магистратуры. Подробнее о программах и условиях участия в конкурсе — по ссылкам:
➡️Офлайн программа
➡️Онлайн программа
18 182
🚀 Cognition уже обсуждает оценку выше $40 млрд - всего через 3 месяца после раунда при $26 млрд
По данным Bloomberg, новый раунд может превысить $1 млрд. При этом годовой темп выручки Cognition приближается к $1 млрд - получается оценка примерно в 40 годовых выручек.
Ещё в мае компания сообщала о $492 млн annualized revenue run rate. Если показатель действительно приблизился к $1 млрд, рост всего за несколько месяцев составил около 103%.
Отдельно впечатляет Devin: enterprise-использование росло примерно на 50% месяц к месяцу на протяжении шести месяцев.
Рынок AI-кодинга продолжает разгоняться, а инвесторы, похоже, готовы платить огромную премию за тех, кто уже превращает агентов в реальный бизнес.
https://www.bloomberg.com/news/articles/2026-08-12/ai-startup-cognition-in-new-funding-talks-at-40-billion-value
18 182
⚡️ MatrAIx — инфраструктура, где вместо небольших фокус-групп можно запускать миллиарды виртуальных пользователей с разными характерами, привычками и предпочтениями.
Внутри:
- 8,3 млрд persona-профилей;
- 1 290 характеристик на пользователя;
- 1 010 задач в 25+ сферах — от софта и e-commerce до финансов и медицины;
- 4 среды: опросы, чат-боты, веб и приложения;
- около 1 млн отфильтрованных персон открыты для исследований.
-
Авторы провели 18 189 испытаний, а персон управляли GPT-5.5, Claude Opus 4.8 и Claude Haiku 4.5. В проверках поведение персон соответствовало заданным характеристикам в 91,5% случаев.
Идея мощная: перед запуском продукта можно спросить не 100 тестировщиков, а миллионы виртуальных пользователей — как они отреагируют на цену, задержку, плохой ответ ассистента или новый интерфейс.
По сути, это шаг к масштабным цифровым симуляциям человеческого поведения.
Paper:
https://huggingface.co/papers/2608.04205
#AI #AIAgents #LLM #Research #Simulation
18 182
Repost from Machinelearning
⚡️ Qwen выпустил мультимодальный tool layer для AI-агентов
Идея в том, чтобы мультимодальные возможности подключались к агенту как набор инструментов, а не были жёстко зашиты в конкретную модель.
Агент, запущенный внутри Claude Code, Codex, Qwen Code, Gemini CLI или другого harness, может сам обнаружить нужный capability, вызвать его и встроить результат в более длинный workflow.
GitHub-репозиторий при этом устроен как коллекция отдельных plugins/capabilities.
Например, базовый плагин даёт агенту инструменты вроде:
- read_image
- read_video
- visualize
- OCR
- object grounding
- segmentation
- speech transcription
- cropping
То есть вместо схемы:
агент → одна мультимодальная модель
получается:
агент → набор специализированных multimodal tools → цепочка действий
Например, агент может:
1. прочитать изображение;
2. найти нужный объект;
3. вырезать конкретную область;
4. прогнать OCR;
5. сопоставить результат с видео;
6. транскрибировать аудио;
7. собрать всё в единый ответ.
https://github.com/QwenLM/Qwen-MM-Plugins
#AI #Qwen #Agents #Multimodal #ClaudeCode #Codex
18 182
Исследуйте сферу AI в T-Lab
Т-Образование зовет участников в проект T-Lab. Это годовая программа научно-исследовательской работы в области AI. Станьте соавтором научных открытий, которые меняют индустрию!
Вы сможете выбрать один из проектов в сфере AI и участвовать в исследовании на всех этапах. Итоги вашей работы могут лечь в основу научных публикаций и стать вектором новых продуктов.
Кого ждут в T-Lab?
Студентов бакалавриата и магистратуры, недавних выпускников технических направлений.
Участники получат:
🔴Официальное трудоустройство с зарплатой.
🔴Доступ к ресурсам бигтеха для исследований.
🔴Возможность получить оффер в IT-компанию.
Узнайте больше и оставьте заявку до 23 августа по ссылке
18 182
⚡️ PDF-пайплайны не должны начинаться с OCR.
pdf-inspector - локальный инструмент на Rust, который сначала пытается понять, что вообще находится внутри PDF, и только потом решает, какие страницы действительно требуют тяжёлой обработки.
Что он делает:
- классифицирует PDF;
- извлекает структурированный Markdown там, где это возможно;
- определяет страницы, которые нельзя нормально разобрать обычным способом;
- отправляет на OCR только проблемные страницы.
Главная идея - не прогонять через OCR весь документ по умолчанию.
На fast path здесь нет:
- LLM;
- внешних API;
- SaaS;
- сетевых зависимостей.
Это особенно полезно для больших PDF-пайплайнов, где OCR обычно становится самым дорогим и медленным этапом.
Вместо:
PDF → OCR всех страниц → парсинг
получаем:
PDF → классификация → native extraction → OCR только сложных страниц
Меньше вычислений, ниже latency и проще контролировать приватность данных.
🔗 github.com/firecrawl/pdf-inspector
#Rust #PDF #OCR #OpenSource #DataEngineering18 182
🚨 Белый дом подготовил новые правила проверки передовых ИИ-моделей
Разработчики закрытых моделей смогут добровольно передавать их правительству США за 30 дней до публичного релиза. Проверка будет проходить в защищённой среде с жёстким контролем доступа и журналированием каждого пользователя.
Главное исключение — модели с открытыми весами. Правила распространяются только на закрытые продукты и прямо не должны ограничивать свободно скачиваемые веса после релиза.
На презентацию пригласили OpenAI, Anthropic, Google, Meta, Nvidia и другие крупные компании. Проверять модели планируют совместно с NSA и другими ведомствами на предмет рисков для национальной безопасности.
Но вопросов пока больше, чем ответов:
— что считать «передовой» моделью, не определено;
— критерии угрозы национальной безопасности не раскрыты;
— сам документ публиковать не собираются;
— неизвестно, кто войдёт в список доверенных партнёров;
— небольшие разработчики фактически остаются за пределами процесса.
Компании также попросили предоставлять почти готовые продукты, а не ранние версии. В результате крупные лаборатории получат прямой канал взаимодействия с государством, пока остальные даже не знают точных правил игры.
wsj.com/tech/ai/white-houses-ai-guidelines-exempt-u-s-open-models-from-government-review-74924eb8
18 182
Repost from Java
🔥 JetBrains открыла исходники KotlinLLM - Kotlin-код, который дописывает себя во время выполнения
KotlinLLM - исследовательский плагин для IntelliJ IDEA, который позволяет делегировать часть логики приложения LLM прямо во время запуска.
Пример:
val apiUrl: String = asLlm(
"JetBrains/kotlin",
hint = "Верни URL для GitHub Issues API"
)
val service: GithubService = mockLlm()
asLlm<F, T>() - преобразует значение одного типа в другой;
- mockLlm<T>() - генерирует реализацию интерфейса и развивает её по мере появления новых сценариев.
Пока это исследовательский прототип для Kotlin/JVM. Проект распространяется по лицензии Apache 2.0.
GitHub:
https://github.com/JetBrains-Research/kotlinllm-plugin
@javatg18 182
⚡️ ИИ уже начал перераспределять стоимость компаний на фондовом рынке
Исследователи проанализировали 380 трлн реально использованных токенов более чем у 400 моделей в OpenRouter. Выборка охватывает около 2% мирового ежемесячного потребления ИИ.
Из роста токенов, расходов и числа пользователей авторы собрали единый AI Factor, а затем рассчитали для публичных компаний AI beta - насколько движение их акций связано с реальным ростом спроса на ИИ.
Компании с высокой AI beta впоследствии показывали более высокую доходность. Стратегия, покупавшая наиболее чувствительные к ИИ компании и продававшая наименее чувствительные, приносила в среднем 0,641% в неделю. Особенно сильный эффект связан с закрытыми моделями, платными и опытными пользователями, а также длинными промптами. Для случайного использования и open-weight моделей такой премии не обнаружили.
Эффект выходит далеко за пределы технологического сектора. Рынок положительнее оценивает ИИ в профессиях, где много общения, обучения и взаимодействия с людьми, и осторожнее - в аналитических, научных и операционных задачах.
Получается, токены становятся новым экономическим индикатором. По реальному потреблению моделей уже можно оценивать, какие компании и профессии инвесторы считают будущими победителями ИИ-экономики.
Пока это препринт, а найденная зависимость не доказывает причинность. Но рынок, похоже, начал учитывать ИИ раньше, чем большинство компаний научилось измерять его влияние.
Исследование: AI Premium
arxiv.org/abs/2606.30583v2
