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
В рейтинге AA Intelligence Index четыре из пяти самых умных моделей теперь от Claude.
Мало того, Sonnet 5.5 набрал больше баллов, чем Fable 5.1. Похоже, версия Fable, которую Anthropic дистиллирует в Opus и Sonnet, какая-то запредельно сильная.
Repost from Machinelearning
Anthropic выпустила Claude Sonnet 5.5 — новую модель с упором на код, агентные задачи и повседневную работу.
Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями
Особенно заметный скачок - в программировании. Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.
Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID:
claude-sonnet-5-5
https://www.anthropic.com/claude-sonnet-5-5
🧠 Джон Маккарти - человек, который дал имя искусственному интеллекту
John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.
В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.
В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.
Ещё несколько важных фактов:
- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.
За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.
Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.
📊Платформа данных в корпоративном контуре компании
Когда компания строит собственную платформу данных, мало просто выбрать СУБД или объектное хранилище. Нужен полноценный стек: от хранения и обработки до оркестрации пайплайнов и визуализации результатов.
Именно такой сценарий теперь можно реализовать с помощью Stackland — платформы, которая разворачивается локально в контуре компании.
В обновлении появились PaaS-компоненты Yandex Cloud, из которых можно собрать полноценную data-платформу:
🔹 Managed Service for ClickHouse® и Managed Service for PostgreSQL — хранение и обработка данных.
🔹 Yandex Managed Service for Trino + Yandex Object Storage — основа аналитического слоя: S3 обеспечивает масштабируемое хранение данных, а Managed Service for Trino — быстрый SQL-доступ к ним.
🔹 Managed Service for Apache Airflow® — управление оркестратором потоков операций по обработке данных.
🔹 Yandex DataLens — BI-система для визуализации данных.
При этом все основные компоненты платформы разворачиваются внутри инфраструктуры компании.
Для data-команд это интересный сценарий: вместо набора разрозненных инструментов можно собрать единый технологический контур, закрывающий ключевые этапы работы с данными — хранение → обработка → оркестрация → аналитика → визуализация.
🚨 Китайские AI-модели обработали в 4,4 раза больше токенов на OpenRouter, чем американские
За неделю с 21 по 27 сентября модели китайских разработчиков обработали на OpenRouter 62,22 трлн токенов против 14,2 трлн у американских моделей.
Китай сохраняет лидерство уже 22 недели подряд.
Топ недели:
- DeepSeek V4.1 Flash — 19,6T токенов, +24%;
- GLM 5.3 Flash — 16,3T, +16%;
- Space Bunny Alpha — 13,9T, новая модель;
- Tencent Hy4 — 9,64T;
- MiMo-V2.6-Flash от Xiaomi — 5,51T.
Особенно выделяется Space Bunny Alpha: анонимная модель появилась на OpenRouter всего несколько дней назад и уже заняла третье место. Независимый анализ токенизатора показал совпадение с семейством MiniMax на всех 50 тестовых строках, но разработчик модели официально не подтверждён.
https://openrouter.ai/rankings
@ai_machinelearning_big_data
#openrouter
🔎 Hyperresearch превращает Claude Code и Codex в полноценного Deep Research-агента
Hyperresearch - open-source harness для глубоких исследований поверх Claude Code и OpenAI Codex.
Что умеет:
- запускать 16-шаговый research pipeline из одного запроса;
- собирать сотни источников за один запуск;
- проверять, действительно ли каждая цитата подтверждает утверждение;
- выявлять дубли и перепечатки, чтобы не считать их независимыми источниками;
- прогонять черновик через несколько критиков;
- сохранять все найденные материалы в постоянное searchable-хранилище;
- восстанавливать исследование после падения с нужного шага;
- искать статьи, книги, clinical trials, SEC filings и макроданные через единый интерфейс.
Есть режимы от быстрых исследований примерно на 30 минут до экспериментальных «dissertation runs» на десятки тысяч слов и сотни источников.
Автор также заявляет лидерство в собственных тестах на DeepResearch-Bench, но независимая валидация пока ожидается.
Работает с Claude Code и Codex.
GitHub: https://github.com/jordan-gibbs/hyperresearch
⚡ Polars обработал 1,5 ТБ биржевых данных чуть больше чем за 3 минуты
BMLL показала, как Polars справляется с масштабными market-data нагрузками, где pandas уже начинает тормозить.
Главное из тестов:
- один день торгов по 11 000+ американских бумаг: 4,3 секунды на загрузку против примерно 3,5 минут у pandas;
- это около 48× быстрее;
- 94 ГБ данных Шанхайской биржи: загрузка,
as-of join и классификация примерно за 36 секунд;
- более 1,5 ТБ данных за 16 торговых дней: финальная агрегация примерно за 3 минуты.
Почему Polars так хорошо масштабируется:
- lazy execution;
- эффективные as-of join;
- использование всех CPU-ядер;
- работа с полным датасетом без необходимости заранее вырезать выборку.
Все тесты запускались на одной машине с 192 CPU cores и 1,5 ТБ RAM.
Для quant и data engineering это хороший пример того, насколько сильно выбор dataframe-движка влияет на время анализа.
Статья:
https://pola.rs/posts/case-bmll/
⚡ Julia 1: decision-модель на 144 млн параметров, которая работает даже на CPU
Supersonic Labs представила Julia 1 - компактную мультиязычную модель для принятия решений без генерации длинного текста.
Она получает контекст, вопрос и от 2 до 20 вариантов, после чего выбирает лучший и возвращает оценки для каждого варианта.
Главное:
- всего 144,3 млн параметров;
- работает полностью на CPU;
- построена на базе
mmBERT-small;
- 73,15% на Typed Decisions против 72,7% у Jev reference;
- 71,5% на MASSIVE сразу по 52 языкам;
- на Apple M4 — до 51,2 решения/с в batch-режиме;
- запускается даже на Android-планшете;
- обучение и эксперименты обошлись команде примерно в $104.
Модель подходит для routing, классификации, yes/no решений, ранжирования и выбора действий.
Веса открыты под Apache 2.0.
Проект:
https://supersoniclabs.ia.br/julia-1/
+1🚨 Claude признали риском для нацбезопасности США и выкинули из военной цепочки поставок
Апелляционный суд США решением 2–1 отклонил жалобу Anthropic и признал, что Пентагон мог считать использование Claude риском для национальной безопасности в рамках закона о безопасности цепочек поставок.
Причина конфликта: Anthropic отказалась снять ограничения на использование Claude для полностью автономного летального оружия и массовой слежки внутри США.
В решении суд отдельно отметил, что встроенные ограничения Claude уже мешали выполнению некоторых государственных запросов. В частности, коммерческая версия модели отказывалась обрабатывать отдельные задачи с секретными материалами и запросы CDC по исследованиям инфекционных заболеваний.
Позиция большинства суда: важно не то, почему Anthropic ограничивает модель, а то, что компания технически способна менять её поведение и запрещать определённые сценарии использования. Для военной инфраструктуры этого оказалось достаточно, чтобы квалифицировать ситуацию как supply-chain risk.
При этом дело ещё не обязательно закончено: Anthropic заявила, что не согласна с решением и рассматривает дальнейший пересмотр. Отдельный федеральный суд ранее признал параллельное ограничение по другому закону незаконным.
Opus 5.5 пишет код, Fable подсказывает: в Claude Code появился советник
Если основная модель у тебя Opus 5.5, квоту на Fable можно пустить в дело. Команда `/advisor fable` подключает Fable как советника, к которому Opus обращается сам.
Происходит это в три ключевых момента: перед тем как взяться за план, когда одна и та же ошибка повторяется и перед тем как сказать «готово». Fable видит всю сессию целиком со всеми вызовами инструментов и даёт совет, а код по-прежнему пишет Opus.
По деньгам это выгоднее, чем держать сильную модель на каждом шаге: советник включается только в точках принятия решений. Кэш промпта при включении советника не сбрасывается.
Работает только через Anthropic API, на Bedrock, Vertex и Foundry недоступно. На части подписок Fable списывается с usage credits, и перед первым запуском нужно дать согласие через
/model fable. Если советник молчит, проверь переменные CLAUDE_CODE_DISABLE_ADVISOR_TOOL и DISABLE_TELEMETRY: они его отключают.
Рабочая схема: Opus 5.5 на high ведёт сессию, три сабагента на medium читают код, правят с тестами и ищут документацию, а Fable ждёт в стороне и включается, когда нужен второй взгляд.
https://code.claude.com/docs/en/advisor
+1Xiaomi MiMo-V2.6-Pro вышла в лидеры среди моделей с открытыми весами по индексу Artificial Analysis.
Её результат - 46 баллов против 47 у GPT-5.6 Sol (max).
При этом расчётная стоимость задачи в этом тесте - $0,13 против $1,99. Это сравнение в рамках методики бенчмарка, а не цена любой задачи в API.
Модель принимает текст, изображения, видео и аудио; контекст — 1 млн токенов. Весá доступны под MIT. Xiaomi также опубликовала технический отчёт, код RL-обучения и более 7000 учебных сред. Цены API остались на уровне V2.5.
Модель - https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL
Релиз Xiaomi - https://mimo.mi.com/docs/en-US/news/latest/v2-6
🤖 Как AI может работать с данными из 1С — и что для этого действительно нужно?
1 октября в 11:00 МСК проведём вебинар:
LLM + OData + 1С: выдержит ли база AI-аналитику?
Начнём с OData: разберём, как с её помощью AI-агент может обращаться к данным 1С, что на таком подходе можно построить и где появляются ограничения.
Затем покажем альтернативный сценарий - работу через Экстрактор 1С и подготовку данных.
Обсудим:
→ как AI получает данные из 1С;
→ когда достаточно OData;
→ чем отличается подход с Экстрактором;
→ как связать Экстрактор и AI.
Разберем связку Экстрактор + AI, пофантазируем и ответим на вопросы.
Без сложной теории — на понятных примерах.
📅 1 октября · 11:00 МСК
👉 Регистрация: по ссылке
Реклама. ООО "ДЕНВИК АНАЛИТИКА". ИНН 1101178666. erid: 2VtzqxDzTPz
🔥 DeepSeek Harness получил официальную desktop-версию
Теперь DeepSeek Harness можно запускать как обычное приложение — без Node.js, терминала и отдельного браузера.
Доступны сборки:
- Windows x64
- macOS Apple Silicon
Версия свежая:
0.1.7-rc.1.20260924.1.
По сути, DeepSeek убирает главный порог входа в Harness: теперь достаточно скачать клиент и запустить его двойным кликом.
Windows: https://download.deepseek.com/dsh-desk/bin/win-x64/deepseek-harness-0.1.7-rc.1.20260924.1-win-x64.exe
Mac Apple Silicon: https://download.deepseek.com/dsh-desk/bin/mac-arm64/deepseek-harness-0.1.7-rc.1.20260924.1-mac-arm64.dmg
Документация: https://github.com/deepseek-ai/deepseek-harness/blob/master/apps/desktop/README.zh.md🧹 Opus 5.5 пора избавить от «магии промптов»
Разработчик Anthropic поделился полезным приёмом для Claude Code:
`/claude-api-prompt-audit`
Команда проходит по skills, CLAUDE.md, AGENTS.md и промптам и ищет инструкции, которые когда-то помогали старым моделям, а теперь могут только мешать.
Например:
- чрезмерные CRITICAL, MUST, ALWAYS;
- принудительное think step by step;
- громоздкие scratchpad-шаблоны;
- старые few-shot примеры;
- правила, которые конфликтуют между собой.
Неплохой повод провести ревизию старых CLAUDE.md и скиллов ☺️
Google планирует запустить первый ИИ-спутник Project Suncatcher 1 октября
Аппарат отправится на орбиту на ракете SpaceX Falcon 9. На борту - четыре ускорителя Google TPU, примерно как в одном сервере дата-центра. Во время эксперимента они будут обрабатывать простые запросы к Gemini прямо в космосе.
Главное ограничение прототипа — охлаждение: чипы могут работать около 15 минут, после чего их приходится отключать для отвода тепла.
В перспективе Google рассматривает группировки из 80 и более спутников, а также отдельный аппарат длиной примерно с футбольное поле. Первый запуск должен проверить, как TPU переносят нагрузки при старте, радиацию и перепады температур.
Repost from Machinelearning
✔️ OpenAI обновила голосовой режим ChatGPT
Голосовой интерфейс ChatGPT перевели на новую линейку моделей GPT-6 (Astra, Sol и Luna).
Главное изменение - подключение голосового ядра к внешним плагинам и API. Теперь система выполняет сквозные действия без текстового ввода.
Пользователи могут голосом проверять календарь, отправлять письма, работать со Slack, отменять списания в финансовых сервисах и генерировать сайты.
Голосовой движок также интегрирован в корпоративную среду ChatGPT Work в веб-версии и мобильных приложениях.
Инструмент позволяет создавать документы, презентации и таблицы в ходе устного диалога с ассистентом.
Обновление доступно глобально в актуальных сборках приложения.
@ai_machinelearning_big_data
#news #ai #ml
Кто сказал, что начинать надо с малого?
Тестировать цифровых двойников или настраивать проход по лицу в метро — неплохо для старта карьеры, правда? А еще это отличный способ обнаружить у себя новую ИТ-суперспособность.
Т1 — это бигтех для бизнеса и одна из крупнейших аккредитованных ИТ-компаний России. Здесь молодые специалисты получают реальные задачи: можно работать с большими данными, участвовать в разработке решений для ритейла, создавать инструменты для обучения и общения и многое другое.
И все это:
✅ онлайн из любой точки страны;
✅ под руководством наставника;
✅ удобно совмещать с учебой.
Для старта карьеры ИТ-холдинг выбрали уже более 4 000 студентов из 300+ вузов.
⚡ Присоединяйся и узнай, какая суперспособность в ИТ твоя.
Перейти на сайт
#реклама 16+
career.t1.ru
О рекламодателе
✔️ Anthropic добавила в Claude Code поддержку
AGENTS.md
С версии 2.1.277 от 18 сентября, Claude Code ищет AGENTS.md там, где нет CLAUDE.md, и загружает его как инструкции проекта.
Если CLAUDE.md в проекте есть, по умолчанию приоритет у него. Режим меняется в /config, в пункте Project instructions, можно выставить, чтобы читались оба файла сразу или только CLAUDE.md.
Раньше Claude Code признавал только собственный CLAUDE.md, и тем, кто работает с несколькими агентами, приходилось вести два набора правил и следить, чтобы они не расходились.Поддержку Anthropic сделала в виде встроенного мода, готовящийся механизм настройки Claude Code. Его код выложен в репозитории Claude Code. По словам инженера Anthropic Тарика Шихипара, позже разработчики смогут собирать на этой основе собственные варианты. В Bedrock, Vertex и Foundry поддержка AGENTS.md пока не работает. #news #ai #ml
Участвуй во всероссийском ИТ-чемпионате МТС True Tech Champ 2026 c призовой фондом 10 250 000 рублей.
Если тебе нравятся алгоритмы, структуры данных и задачи на чистую логику — участвуй в алгоритмическом треке с индивидуальным зачетом.
Решай задачи разного уровня сложности: от базовых до тех, что проверяют скорость мышления и умение оптимизировать решения за ограниченное время.
В финале лучшие 120 участников алгоритмического трека сразятся в лайв-кодинге за шесть призовых мест и 2 750 000 рублей. Всех финалистов ждут:
— Лимитированный мерч;
— Сертификаты об участии;
— Масштабное мероприятие с выступлениями хэдлайнеров и фестивальными активностями.
Успей зарегистрироваться и пройти отборочный этап до 27 сентября
DeepSeek вышла на $1 млрд выручки в годовом выражении
По данным The Information, ещё несколько месяцев назад показатель составлял менее $500 млн. Речь о текущем темпе выручки, пересчитанном на год.
При этом более 70% вычислительных мощностей DeepSeek направляет на обучение новых моделей, а на обработку пользовательских запросов - менее 30%.
Компания подняла цены на API в 2,3-4,5 раза. По словам Ляна Вэньфэна на встрече с инвесторами, число клиентов после этого не сократилось, а спрос остался высоким. Валовая маржа API-бизнеса за январь–июль достигла 82,9%.
DeepSeek также завершает переговоры о новом раунде финансирования примерно на $7,5 млрд при оценке около $74 млрд. Закрыть его рассчитывают до конца октября.
