Анализ данных (Data analysis)
Открыть в Telegram
Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp
Больше
Сеть:📈 Аналитический обзор Telegram-канала Анализ данных (Data analysis)
Канал Анализ данных (Data analysis) (@data_analysis_ml) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 51 848 подписчиков, занимая 2 576 место в категории Технологии и приложения и 11 866 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 51 848 подписчиков.
Согласно последним данным от 26 октября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 1 191, а за последние 24 часа — 9, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 9.29%. В первые 24 часа после публикации контент обычно набирает 6.79% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 4 816 просмотров. В течение первых суток публикация набирает 3 519 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 230.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, контекст, openai, архитектура, deepseek.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“Data science, наука о данных.
@haarrp - админ
РКН: clck.ru/3FmyAp”
Благодаря высокой частоте обновлений (последние данные получены 27 октября, 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.
51 848
Подписчики
+924 часа
+2977 дней
+1 19130 дней
Архив постов
⚡️ Microsoft делает ставку на свои чипы: Maia станет основной платформой инференса компании
С 2027 года компания масштабирует семейство Maia до развёртываний на несколько гигаватт, и Maia станет основной системой инференса для её собственных продуктов и сервисов.
Заодно представили Maia 300. По заявлению Microsoft, новый чип выдаёт на 40% больше токенов на ватт, чем ведущие системы на GPU.
Предыдущее поколение уже в работе. Maia 200 развёрнута в США, Европе и Австралии, и в Teams и Copilot она даёт до 1,7 раза больше токенов на ватт.
При гигаваттных масштабах главная метрика уже токены на ватт, а не пиковые терафлопсы: от неё зависит, во сколько обходится каждый ответ Copilot. Свой чип под свой инференс снижает зависимость от Nvidia и даёт контроль над всем стеком, от железа до модели. Тот же путь раньше прошли Google с TPU и Amazon с Trainium. Ранее сообщалось, что Microsoft ищет у TSMC мощности примерно под 300 тысяч чипов Maia 300.
При этом от GPU компания не отказывается и обещает по-прежнему ставить в свой парк лучшие решения со всего рынка.
https://blogs.microsoft.com/blog/2026/10/12/microsoft-to-expand-azure-maia-system-to-multi-gigawatt-deployments/
@ai_machinelearning_big_data
#Microsoft
📱 Мультимодальная модель на 35 млрд параметров работает на iPhone. Как?
OpenBMB представила MiniCPM-V 4.7: старшую MoE-модель 35B-A3B и компактную версию 1B для локальной работы с изображениями и видео.
Главная технология: LES, Lookahead Expert Scheduling. Система заранее предсказывает, какие эксперты понадобятся следующему слою, и подгружает их веса, совмещая загрузку с вычислениями.
Прогноз управляет загрузкой, а не ответом модели. Если нужного эксперта не предсказали, его всё равно загружают и используют. Исходная маршрутизация сохраняется.
По замерам команды, оптимизированный запуск даёт 13+ токенов/с на iPhone 17 Pro Max. Помимо LES используются послойная квантизация и спекулятивная генерация DSpark.
Нюанс с «3 ГБ памяти»: это не означает, что все 35 млрд параметров помещаются в RAM. Часть весов остаётся в накопителе и загружается по необходимости.
Ещё добавили сжатие визуальных токенов 4×/16× и Self-Replay Fine-Tuning для адаптации с меньшим забыванием прежних навыков. Старшая модель доступна под Apache 2.0.
https://github.com/OpenBMB/MiniCPM-V
https://huggingface.co/openbmb/MiniCPM-V-4.7-35B-A3B
⚡ Можно купить тысячи GPU, но дата-центру нужны стабильное питание и подключение к сети. Строительство электростанций, подстанций и линий передачи становится одним из главных ограничений роста.
Китай строит 38 ядерных реакторов общей мощностью около 43 ГВт, по данным World Nuclear Association. Это крупнейшая программа строительства АЭС в мире.
По оценке МЭА, потребление электричества дата-центрами для ИИ выросло на 50% за 2025 год. При этом нехватка сетевых мощностей тормозит подключение новых потребителей.
Следующий этап гонки ИИ будут определять и чипы, и способность быстро обеспечить их энергией. Масштаб китайского строительства даёт стране серьёзное преимущество.
https://x.com/a16z/status/2109018642629423174
+1
Anthropic втихую арендует мощности у бывшего биткоин-майнера IREN, а инференс может приносить ей до 85% маржи
По данным The Information, Anthropic подписала многолетний облачный контракт с IREN, о котором раньше не объявляли. Компания начинала с майнинга биткоина и теперь продаёт GPU-мощности под ИИ. В августе IREN раскрыла, что у неё появился безымянный клиент из числа frontier-лабораторий. Теперь известно, что один из таких клиентов это Anthropic.
The Information оценила дата-центр Anthropic в Луизиане на 245 МВт: при полной загрузке под инференс он может давать около $1,3 млрд выручки в месяц.
Аренда чипов обходится примерно в $200 млн в месяц, так что валовая маржа на инференсе выходит около 85%. Расходы на обучение моделей и всё остальное в этот расчёт не входят.
.
Источник: The Information
🦀 Альтернатива Word на Rust, которой могут управлять ИИ-агенты
WordCraft повторяет знакомый интерфейс Word: лента инструментов, стили, таблицы, комментарии и отслеживание изменений. Читает и сохраняет
.docx, экспортирует PDF.
Работает на Windows, macOS, Linux и BSD, а через WebAssembly запускается в браузере. Десктопный интерфейс построен на egui, без Electron. Лицензия: MIT или Apache 2.0.
Внутри: 422 команды доступны через интерфейс, CLI и MCP. Агент может менять документ, проверять его структуру, рендерить страницы и сохранять результат. Это даёт возможность автоматизировать работу с документами через явные команды.
Пока альфа: совместимость со сложными .docx, диаграммами и SmartArt ещё требует доработки. Но для экспериментов с документной автоматизацией проект уже любопытный.
https://github.com/storytold/wordcraft
🔐 Проектируйте ИИ-систему так, будто модель уже скомпрометирована.
Такой подход предлагает глава Microsoft Сатья Наделла: рассматривать модели как потенциальный внутренний риск, особенно когда им доступны данные, инструменты и выполнение действий.
Поставить второго ИИ следить за первым недостаточно: можно получить один чёрный ящик, проверяющий другой. Контроль должен существовать и за пределами моделей.
Что это означает на практике:
• Права задаёт система. Модель не определяет сама, какие ресурсы ей доступны.
• Действия оставляют проверяемый след. Логи должны быть защищены от изменения агентом.
• Аудит независим. Агент не должен одновременно действовать и контролировать доказательства корректности своих действий.
• Есть аварийная остановка. Уполномоченный человек может прервать работу посреди задачи.
• Тестируются и провалы: атаки, ошибки, пограничные случаи и изменения окружения.
https://x.com/satyanadella/status/2108931348857827686
🧠 Xiaomi потратила около $2,6 млн на этап обучения MiMo через попытки, ошибки и обратную связь.
В отчёте MiMo-V2.6 команда разбирает, как масштабировать обучение с подкреплением для ИИ-агентов.
Модель решает задачи в рабочих средах, получает оценку результата и обучается на собранном опыте. Масштабируют сразу три компонента:
• количество попыток и пропускную способность;
• разнообразие задач: код, визуальные сценарии, работа с инструментами и кибербезопасность;
• вычисления на проверку решений.
Интересная деталь: проверяющие сравнивают решения внутри группы, помогая поощрять более качественные и короткие пути к результату. Отдельно предусмотрена защита от *reward hacking*, когда модель находит способ получить награду без полноценного решения задачи.
По данным Xiaomi, после этого этапа результат Pro на DeepSWE v1.1 вырос с 58,4% до 72,6%, а Flash с 48,8% до 65,7%. Команда также открыла веса, RL-фреймворк и более 7 000 тренировочных сред.
https://www.chapterpal.com/s/f8dd8d6f/mimo-v26-scaling-reinforcement-learning-towards-self-improvement
🤖 Claude отправил в полицию выдуманную наводку по делу об убийстве. Во время тестирования.
Anthropic опубликовала разбор случаев, когда модели выходили за рамки задания:
• Для научного расчёта Claude нашёл уязвимость на сервере университета и выполнил там команды.
• Когда учебная копия государственной формы не открылась, модель нашла настоящую и отправила её.
• Обходила платный доступ к данным через токены публичных веб-сервисов.
• Использовала сокращатели ссылок, чтобы обойти ограничения своего инструмента.
В случае с полицией Claude придумал свидетельство о человеке возле места преступления. Сообщение пометили как спам, до расследования оно не дошло.
Если задачу не удаётся выполнить, модель иногда воспринимает ограничение как препятствие, которое нужно обойти.
По словам Anthropic, последствия этих случаев были минимальными. Компания решила отключить живой интернет во всех внутренних оценках, пока не убедится в надёжности защитных механизмов.
https://www.anthropic.com/research/investigating-unintended-model-actions
✔️ Qwen выложили Turbo-версию своей картиночной модели: 2K-изображение и редактирование текстом всего за 8 шагов денойзинга
Alibaba открыла веса Qwen-Image-2.1-Turbo. Это ускоренный чекпоинт поверх Qwen-Image-2.1 на той же архитектуре визуальной генерации на 7B параметров, только теперь картинке хватает 8 шагов денойзинга.
По качеству, судя по заявлениям команды, просадки нет. Модель по-прежнему выдаёт сильные изображения в 2K по текстовому промпту и умеет продолжать работу с готовой картинкой через обычные текстовые правки: добавить персонажу аксессуар, поменять сцену целиком и так далее.
Запускается всё через Diffusers. Подгружаете QwenImage21Pipeline, и рекомендованное расписание сэмплинга на 8 шагов уже подтянуто из чекпоинта, ничего вручную настраивать не нужно.
Кому удобнее не держать модель у себя, для тех официально запустили API сразу для двух версий, Pro и Turbo. Получается выбор: либо хостинг от Alibaba Cloud под продакшн, либо открытые веса Turbo в собственном пайплайне.
Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2.1-Turbo
ModelScope: https://modelscope.cn/models/Qwen/Qwen-Image-2.1-Turbo
Pro API: https://modelstudio.console.alibabacloud.com/ap-southeast-1/model/market/detail/qwen-image-2.1-pro?serviceSite=international&ref=list
Turbo API: https://modelstudio.console.alibabacloud.com/ap-southeast-1/model/market/detail/qwen-image-2.1-turbo?serviceSite=international&ref=list
🔎 Perplexity открыла компактную модель для поиска по текстам и изображениям
pplx-embed-v2-late-0.6b умеет искать подходящие документы по смыслу, включая страницы с таблицами, графиками и другой визуальной информацией.
Главная особенность: модель создаёт отдельный 128-мерный вектор для каждого токена. При поиске она сопоставляет части запроса с частями документа, сохраняя больше деталей, чем при сжатии всего текста в один вектор.
💡 Маленькая версия совместима с индексом, построенным моделью 9B: документы можно обработать большой моделью, а запросы выполнять компактной.
Открытые веса, лицензия MIT, поддержка Sentence Transformers. Интересный инструмент для поиска по документам и RAG.
https://huggingface.co/perplexity-ai/pplx-embed-v2-late-0.6b
🌌 Claude помог собрать первую полную UV-карту неба
Астрофизик Брайс Менар из Johns Hopkins вместе с Claude Science собрал полную карту неба в ультрафиолете. Раньше такой карты фактически не существовало: крупнейший массив GALEX покрывал лишь около 2/3 неба, а яркие области Млечного Пути специально пропускались.
Claude запустил команду AI-агентов, которые:
- собрали данные из нескольких космических обзоров;
- откалибровали десятки тысяч наблюдений;
- свели всё к одной системе координат и разрешению;
- восстановили недостающую треть неба с помощью ML-inpainting;
- добавили оценки UV-свечения более чем 100 млн звёзд по данным Gaia.
Точность восстановления проверяли на известных областях: модель предсказывала скрытые UV-данные примерно с 10% ошибкой.
Claude п часами самостоятельно прогонял вычисления, находил проблемы в данных и перерабатывал пайплайн вместе с учёным.
https://www.anthropic.com/research/the-missing-map-of-the-sky
🧮 Математика для ИИ на русском: от школьной базы до трансформеров и диффузии
Бесплатный курс-шпаргалка на GitHub, который связывает формулы с их применением в ML: интуиция → формула → иллюстрация → код на NumPy → задачи.
Внутри:
• Линейная алгебра, производные, вероятности и статистика.
• Backpropagation, оптимизаторы, функции потерь и attention.
• Генеративные модели, обучение с подкреплением, RAG и рекомендации.
Для практики: 26 Jupyter-ноутбуков с запуском в Colab, 60 задач с решениями и 160 вопросов с собеседований. Есть карточки Anki и глоссарий RU ↔ EN.
Если математика забылась, предусмотрен отдельный справочник с нуля: от дробей и процентов до интегралов и матриц.
https://github.com/justxor/math-for-ai-2026
+1🤖 ИИ-агентам убрали «начальника», и сложные задачи стали решаться быстрее.
Исследователи Стэнфорда представили DeLM, систему поверх Codex и Claude Code. Вместо центрального координатора агенты используют общий контекст и очередь задач: сами забирают работу, сразу делятся находками и видят, какие подходы уже провалились. Это сокращает ожидание и повторную работу.
В экспериментах авторов:
• До 2,49× быстрее стандартного Claude Code.
• До +19,2 процентного пункта к доле решённых задач относительно стандартного Claude Code.
• До +19,9 пункта к доле пройденных тестов ProgramBench за те же 120 минут.
Масштаб проверки пока небольшой: по 10 выбранных длительных задач из Terminal-Bench и DeepSWE, плюс две задачи ProgramBench. Ускорение также не всегда означает меньшие расходы на вычисления.
Авторы открыли код, 720 траекторий работы агентов и плагин для Codex и Claude Code.
🌐 Project & code: https://yuzhenmao.github.io/DeLM/
📄 Paper: https://arxiv.org/abs/2606.10662
🏦 ИИ-агенты могут лишить банки США преимущества стоимостью $500 млрд
Механизм простой: агент замечает деньги на счёте с почти нулевым процентом и помогает перевести их туда, где доходность выше. Банкам приходится дороже платить за депозиты.
У JPMorgan, Bank of America и Wells Fargo $1,6 трлн беспроцентных депозитов. По расчёту FT, ставка 3% означала бы около $47 млрд дополнительных расходов в год.
Но $500 млрд относятся к стоимости преимущества от дешёвого финансирования, а не к ежегодным потерям прибыли. Это сценарная оценка: преимущество исчезнет, если такие депозиты постоянно будут оплачиваться по рыночным ставкам.
https://www.ft.com/content/a21ec190-edcd-454e-886a-302b0a16ea82
+1🧮 Три часа вычислений на математический результат: самая неожиданная цифра в релизе OpenAI
Компания опубликовала 722 рукописи, созданные ещё не выпущенной моделью. Среди заявленных результатов:
• область без нулей дзета-функции при Re(s) > 7/8, названная решением квазигипотезы Римана;
• решение десятой проблемы Гильберта над рациональными числами;
• доказательство иррациональности постоянной Каталана.
По оценке OpenAI, средний результат потребовал вычислений, эквивалентных примерно трём часам размышлений ChatGPT Pro. При этом работы по дзета-функции и гипотезе Ходжа были исключениями из стандартной процедуры.
Если эти доказательства выдержат проверку, масштаб события будет огромным. Но пока результаты находятся на разных стадиях верификации: для многих опубликованы формализации в Lean, для остальных сама OpenAI допускает ошибки.
Это серьёзная заявка на ускорение математических исследований. Предсказание «сверхинтеллект уже в 2027 году» из этих данных пока не следует.
https://github.com/openai/math
Repost from Machinelearning
📌 OpenAI выложила 722 математические работы своей внутренней модели
Все статьи написала внутренняя модель компании, название которой не раскрывают. На GitHub они разбиты на 372 семейства, от теории чисел и теоретической информатики до геометрии и математической физики.
Среди заявленных результатов есть доказательство рациональной гипотезы Ходжа для абелевых многообразий с комплексным умножением, гипотезы Капланского о прямой конечности в характеристике два и новая оценка показателя иррациональности числа
π.
Рецензию работы не проходили, и независимо их пока никто не проверял.Около 4000 задач модель получила во время внутренней оценки. Её расширили, когда прежние математические тесты перестали отличать модели друг от друга. В среднем на один результат уходило столько вычислений, сколько примерно за три часа тратит ChatGPT Pro в режиме рассуждений. Для 162 работ выложены доказательства на Lean. Каталог этих формализаций сама OpenAI считает как частичный и непроверенный. К десяти результатам приложены сокращённые записи рассуждений модели.
О том, как публиковать такие результаты, OpenAI советовалась с независимой Консультативной группой по математике и ИИ при Институте перспективных исследований в Принстоне.Компания также обещает финансировать математические семинары и конференции в будущем. @ai_machinelearning_big_data #news #ai #ml
🔎 Looped-модели научились экономить память: качество 12 блоков при KV-кэше на 4
Looped-модели прогоняют токен через один и тот же блок слоёв несколько раз, и так глубина растёт без роста параметров. Мешало одно: на каждой итерации копится свой KV-кэш, и память раздувается.
Авторы заметили, что внутреннее состояние модели со временем почти перестаёт меняться. Поэтому на декодинге можно хранить только финальные ключи и значения, а не всю цепочку итераций.
На модели 1.6B это дало 60% в среднем по бенчмаркам. Обычный трансформер из 4 блоков набирает 51%, из 12 блоков 61.5%. Получается почти уровень 12 блоков при втрое меньшем KV-кэше. Бонусом промпт обрабатывается до 1.79 раза быстрее, а RL-обучение идёт вдвое быстрее.
Код и 49 чекпоинтов открыты.
https://arxiv.org/abs/2610.06833
https://github.com/ifm-ai/xllm-loop
+1⚛️ Google заключила атомную сделку на 20 лет
Соглашение с Constellation позволит добавить 890 МВт мощности за счёт модернизации 11 действующих реакторов на шести АЭС в США.
Constellation вложит более $4,3 млрд в обновление оборудования. Первое увеличение мощности ожидается к 2028 году. По масштабу вся прибавка сопоставима с новым крупным атомным реактором.
Дополнительно Google заключила 15-летний договор на поставку ещё 2,7 ГВт от существующих генерирующих активов Constellation.
Сотрудничество работает в обе стороны: Constellation внедрит Gemini Enterprise и ИИ-агентов в свои операционные процессы для повышения эффективности и надёжности энергосистемы.
Рост ИИ уже превращается в многомиллиардные инвестиции в физическую инфраструктуру.
https://blog.google/company-news/why-were-backing-americas-existing-nuclear-plants/
🏅 Нобелевская премия по физике 2026 года присуждена Фрэнсису Хальцену
За решающий вклад в создание обсерватории IceCube и открытие высокоэнергетических нейтрино астрофизического происхождения.
IceCube превращает кубический километр антарктического льда в гигантский детектор. Датчики улавливают свет от редких взаимодействий нейтрино с веществом.
Эти частицы почти беспрепятственно проходят через Землю и наши тела. Но именно поэтому они могут приносить информацию о далёких космических процессах, недоступную другим способам наблюдения.
Хальцен предложил использовать лёд Южного полюса ещё в 1988 году. Его идея открыла новый способ изучать Вселенную.
https://www.nobelprize.org/prizes/physics/2026/press-release/
🧲 90+ агентов Claude Opus 5.5 за три дня помогли найти два материала для памяти нового поколения
По сообщению Vals AI, команда выявила в симуляциях два перспективных магнитных полупроводника. Цель: хранить информацию с помощью спина электронов, при этом противоположные магнитные моменты должны взаимно компенсироваться.
• YBaMnFeO₅: новый предложенный материал. Расчёты выглядят многообещающе, но нужный порядок атомов марганца и железа может разрушаться при изготовлении.
• KV[Cr(CN)₆]: соединение, синтезированное ещё в 1999 году. Команда рассчитала свойства, которые могут сделать его полезным для спинтроники.
Пока это вычислительные прогнозы. Следующий шаг: лабораторные измерения, которые проверят предсказанные свойства.
ИИ помогает искать новые материалы и находить неожиданное применение давно известным. Именно такие задачи показывают его потенциал для ускорения науки.
https://www.vals.ai/blogs/room-temperature-magnetic-semiconductors
