Анализ данных (Data analysis)

⚡️ Вышел PyTorch 2.12, Что завезли: - batched linalg.eigh на CUDA теперь может работать до 100x быстрее - появился новый torch.accelerator.Graph для graph capture и replay на разных ускорителях - torch.export.save получил поддержку Microscaling quantization - Adagrad теперь умеет fused=True - улучшили distributed training, export и поддержку ROCm - релиз собран из 2926 коммитов от 457 контрибьюторов PyTorch всё сильнее уходит от «удобного фреймворка для ресёрча» к универсальной платформе для обучения, инференса и деплоя на разном железе. Особенно интересен torch.accelerator.Graph. Это шаг к более нормальной абстракции над CUDA, XPU и внешними backend-ами, чтобы код меньше зависел от конкретного ускорителя. А ускорение linalg.eigh до 100x - хороший пример того, как одна внутренняя замена backend-логики может превратить минуты ожидания в секунды. pytorch.org/blog/pytorch-2-12-release-blog #PyTorch #OpenSourceAI #MachineLearning #AIInfrastructure

Вот кто реально отбил подписку на Claude Claude помог восстановить доступ к криптокошельку с примерно 5 BTC. По текущим оценкам, это около $400 тысяч. История почти киношная: парень потерял доступ к биткоин-кошельку больше 10 лет назад. На вечеринке поменял пароль, потом забыл его, а дальше начались годы безуспешных попыток вернуть деньги. В итоге он подключил Claude. Сначала модель помогла перебрать 3,5 триллиона вариантов пароля. Не сработало. Но на этом история не закончилась: дальше начались раскопки по старым файлам. В итоге нашли wallet.dat, сопоставили его с недавно обнаруженной seed-фразой и смогли восстановить доступ к кошельку. На радостях владелец теперь обещает назвать ребёнка в честь основателя Anthropic. Так, Claude, следующий таск: найти кошелёк Сатоши. Желательно без галлюцинаций. https://x.com/cprkrn/status/2054586810475364536?s=46

\

⚡️ В Claude Code завезли сразу две клевые фичи Первая - Agent View. Теперь все сессии можно видеть в одном окне: что запущено, что ждёт твоего действия, что уже завершилось. Можно параллельно гонять несколько агентов и не превращать терминал в кладбище вкладок. Вторая - непрерывный режим /goal. Задаёшь цель, и модель работает до результата без постоянных остановок и подтверждений на каждом шаге. Claude Code всё больше превращается не в «чатик в терминале», а в нормальную панель управления агентами. Бежим тестить и ждём, чем ответит Альтман.

⚡️ Anthropic вводит ежемесячный кредит для разработчиков С 15 июня все платные тарифы Claude получат отдельный месячный кредит на программное использование. Кредит покрывает: • Claude Agent SDK claude -p (CLI) • Claude Code GitHub Actions • Сторонние приложения на базе Agent SDK И главное - автоматизация и агенты на Claude не будут «съедать» обычный лимит подписки - для них выделен свой бюджет. https://support.claude.com/en/articles/15036540-use-the-claude-agent-sdk-with-your-claude-plan @ai_machinelearning_big_data

⚡️ Portable-AI-USB. Идея простая, но элегичная: берёшь флешку, ставишь туда Ollama, AnythingLLM и локальную модель, после чего получаешь карманного AI-ассистента без облака, логина и постоянного интернета. Что внутри: - запуск с USB на Windows и Mac - Ollama как локальный движок для моделей - AnythingLLM как удобный интерфейс - готовые модели на выбор - поддержка .gguf-моделей - чаты и настройки хранятся на накопителе - после загрузки модели можно работать офлайн Конечно, чудес ждать не надо. Скорость зависит от железа, большие модели требуют места и памяти. GitHub: https://github.com/techjarves/Portable-AI-USB

Ovis2.6-80B-A3B - ещё одна открытая VLM, которая метит в тяжёлую лигу На ModelScope вышла Ovis2.6-80B-A3B: 80B параметров всего, но только 3B активных на инференсе. Лицензия - Apache 2.0. Внутри: - понимание документов - OCR - таблицы - графики - chart reasoning - работа с длинным визуальным контекстом Самая интересная фича - Think with Image. Обычно VLM один раз «смотрит» на изображение и дальше рассуждает по уже полученному представлению. Ovis2.6 делает иначе: во время reasoning модель может активно кропать нужные области картинки, пересматривать детали и уточнять визуальные куски, а не тащить всё изображение как пассивный фон. По характеристикам тоже неплохо: - 80B total parameters - 3B active parameters - 64K context - до 2880×2880 resolution - Apache 2.0 - заявленная конкуренция с Qwen3-VL-32B, GPT-5-mini и Gemini 2.5 Pro на ряде vision-бенчмарков Ovis2.6 выглядит именно как шаг в эту сторону: меньше пассивного vision, больше активного визуального reasoning. 🤖 https://modelscope.cn/models/OpenBMB/MiniCPM-V-4.6 💻 https://github.com/OpenBMB/MiniCPM-v

Илья Суцкевер заявил во время судебных показаний, что его личная доля в компании-разработчике ChatGPT оценивается примерно в $7 млрд. Это стало известно во время перекрёстного допроса со стороны юридической команды Илона Маска в громком федеральном процессе в Окленде между Маском и OpenAI. Помимо цифр по доле, показания Суцкевера пролили свет на старые внутренние конфликты за власть. Он подтвердил под присягой, что до своего ухода и кратковременного отстранения CEO Сэма Альтмана в конце 2023 года считал поведение Альтмана раскалывающим команду, ненадёжным и вредящим главной цели - разработке безопасного искусственного общего интеллекта, AGI. #openai

OpenAI уволила Леопольда Ашенбреннера. После этого он написал «Situational Awareness» - 165-страничный труд, в котором предсказал появление AGI к 2027 году. А затем, по имеющимся данным, за 12 месяцев превратил $225 млн в $5,5 млрд. И сделал он это не за счёт покупки акций Nvidia, Microsoft, Google или Amazon, а вложившись в то, на чём на самом деле работает ИИ, - в энергетику. Гений)

Anthropic, похоже, стала самым быстрым software-бизнесом в истории По reported revenue run rate компания уже обогнала OpenAI и вышла примерно на $45B ARR. Для масштаба: Salesforce за FY2025 сделал около $38B. У Anthropic траектория выглядит дико: - ~$10M ARR в конце 2022 - ~$1B ARR к январю 2025 - ~$14B ARR в начале 2026 - ~$45B ARR к маю 2026 Менее чем за год он, по сообщениям, вышел на ~$2.5B run rate. Число enterprise-клиентов с чеком $1M+ в год выросло примерно с 500 до 1000 всего за пару месяцев. Больше 80% выручки Anthropic теперь идёт из enterprise. Пока одни гнались за consumer-хайпом, Anthropic пошла туда, где есть бюджеты: кодовые базы, команды разработки, внутренние процессы и задачи, которые бизнес не может просто выключить. Вот и весь monetization gap. Меньше массовой аудитории, зато намного выше spend per customer. Да, compute будет жрать безумные деньги. Но если выручка растёт такими темпами, старая SaaS-математика начинает трещать. И если эта траектория удержится, главными победителями будут не приложения, а те, кто контролирует AI-слой, на котором они работают. Сейчас этот слой всё чаще выглядит как ClaudeOS.

Пока все обсуждают AI-агентов для офисов, «Норникель» и ИОНХ РАН делают куда более редкую вещь, обучают ИИ создавать новые материалы. Суть проекта: десятки тысяч реальных экспериментов по неорганическим материалам превращают в dataset для AI-платформы цифрового материаловедения. То есть, не просто анализировать свойства, а генерировать материалы под конкретную задачу: — электроника, — покрытия, — датчики, — микроэлектроника будущего. Один из главных кейсов — попытка заменить золото палладием в электронных компонентах. Палладий дешевле, легче и лучше подходит для сверхтонких покрытий, которые нужны новой микроэлектронике. По сути это движение к новой модели R&D: не сначала лаборатория, а потом результат, а сначала ИИ ищет перспективную структуру, потом ученые проверяют.

Thinking Machines показали модель, где realtime встроен внутрь, а не прикручен костылями Thinking Machines выкатили research preview interaction models - моделей, у которых интерактивность не собрана снаружи через VAD, ASR, TTS и агентный harness, а является нативным свойством самой модели. Это важнее, чем звучит. Сегодняшние frontier-модели хорошо работают в режиме: дал промпт, ушел, вернулся к результату. Но как только человек хочет работать с ИИ рядом, в реальном времени, вся магия ломается. Модель ждет конца твоей реплики. Ты ждешь конца ее генерации. Перебить нельзя. Говорить одновременно нельзя. На видео реагировать нечем. Получается не диалог, а обмен длинными сообщениями с задержкой. Thinking Machines пытаются сломать именно эту схему. Они обучили модель с нуля, где вход и выход - это непрерывные потоки, нарезанные на микротурны по 200 мс. На каждом таком окне модель принимает аудио, видео и текст, а параллельно генерирует аудио и текст. Границы реплик больше не нужно угадывать. Тишина, перебивания, перекрытия голосов и визуальные сигналы становятся частью контекста, а не проблемой для внешней обвязки. Архитектура тоже интересная. Аудио подается как dMel через легкий embedding, изображения режутся на патчи 40x40 и идут в hMLP, аудио на выходе декодируется flow-головой, а всё это тренируется вместе с трансформером. Без тяжелых отдельных энкодеров и без классической схемы «распознал речь - отправил текст - синтезировал ответ». Еще одна сильная идея - асинхронный background-агент. Когда нужны долгие рассуждения или инструменты, основная модель делегирует ему полный контекст, но сама не замирает и продолжает разговор. Когда результат готов, она вплетает его обратно в диалог. По сути они разделяют две вещи: - отвечать быстро, как realtime non-thinking модель - думать глубоко, как reasoning-модель - не заставлять пользователя ждать, пока вся цепочка рассуждений закончится Инженерно там тоже много мяса. Чанки по 200 мс ломают привычные инференс-серверы, потому что постоянные prefill-запросы быстро становятся узким местом. Поэтому они сделали streaming sessions: клиент отправляет каждый чанк отдельным запросом, а сервер держит постоянную последовательность в GPU-памяти и просто дописывает в нее новые данные. Эту фичу уже заапстримили в SGLang. Для стабильности тренировки они добились побитового совпадения trainer и sampler через batch-invariant ядра с оверхедом меньше 5%. В том числе использовали NVLS-коммуникационные ядра на Blackwell и согласованный split-KV между prefill и decode. Сама модель называется TML-Interaction-Small. Это 276B MoE с 12B активных параметров. По заявленным результатам: - на FD-bench модель держит SOTA по интерактивности - на Audio MultiChallenge обгоняет все non-thinking realtime-модели - подбирается к thinking-режимам GPT-realtime-2 и Gemini-3.1-flash-live - на новых задачах вроде TimeSpeak, CueSpeak, RepCount-A, ProactiveVideoQA и Charades показывает способности, которых у обычных realtime-API почти нет Самое важное тут не бенчмарки, а сдвиг в продуктовой логике. Если такой подход масштабируется, огромный класс AI-продуктов перестанет нуждаться во внешнем оркестраторе. Живой перевод, тьюторы по произношению, ассистент, который комментирует код прямо во время набора, подсчет повторений на тренировке, навигация для незрячих - всё это сейчас собирается на костылях с заметным лагом. А здесь интерактивность становится свойством самой модели. Ограничения тоже честные: длинные сессии быстро забивают контекст, нужен стабильный канал, а текущий чекпойнт еще не самый крупный. Большие модели у них пока слишком медленные для realtime. Но направление выглядит очень сильным. Это уже не «ChatGPT с голосом». Это попытка сделать ИИ, который не просто отвечает после тебя, а реально присутствует в моменте. https://thinkingmachines.ai/blog/interaction-models/

Карпатый: хватит читать ответы ИИ простынёй. Просите HTML Андрей Карпатый поделился простым лайфхаком: в конце запроса к языковой модели добавляйте «оформи ответ как HTML», сохраняйте файл и открывайте в браузере. Работает неожиданно хорошо. Можно пойти дальше и попросить модель сразу упаковать ответ в слайды, мини-лендинг, интерактивную страницу или визуальную шпаргалку. За этим советом стоит мысль глубже: аудио отлично подходит для ввода, но вывод от ИИ должен быть визуальным. Текстовая простыня быстро утомляет. Markdown с заголовками, таблицами и списками уже стал нормой. Следующий шаг - HTML с нормальной вёрсткой, блоками, цветами, схемами и интерактивом. А дальше, по прогнозу Карпатого, нас ждут ответы в формате интерактивных видео и симуляций, которые модель будет генерировать на лету. С вводом тоже не всё идеально. Текста и голоса мало. Не хватает возможности просто ткнуть пальцем в экран, показать жестом, выделить область и сказать: «вот это поменяй». Интерфейс человек - ИИ ещё очень сырой. До нейроинтерфейсов далеко, но один апгрейд доступен уже сейчас. Просите не просто ответ. Просите HTML. Разница чувствуется сразу. https://x.com/karpathy/status/2053872850101285137

Gemini жгут😳 В X gоявился первый ролик, который приписывают новому видео-моделю Gemini Omni, и там главный шок в тексте. Надписи в видео выглядят потрясающе. Без каши из букв, без случайных символов, без ощущения, что модель просто угадывает форму текста. https://gemini.google.com/share/7d5dc678c80a

CopilotKit - open-source стек для тех, кто хочет встраивать AI-агентов прямо в продукт, а не просто прикручивать чат-окно сбоку. Агент должен не только отвечать текстом, но и работать внутри интерфейса - читать состояние приложения, вызывать действия, обновлять UI и показывать пользователю нормальные React-компоненты вместо простыни текста. Что умеет CopilotKit: - готовый Chat UI для React с потоковой генерацией, tool calls и ответами агента; - Generative UI - агент может рендерить и обновлять компоненты интерфейса; - Shared State - общий слой состояния между агентом и приложением; - Backend Tool Rendering - агент вызывает backend-инструменты, а результат отображается прямо в клиенте; - интеграция с агентными фреймворками и моделями; - поддержка AG-UI Protocol, который уже используют крупные игроки вроде Google, LangChain, AWS и Microsoft. По сути, это попытка собрать frontend-слой для agentic apps: не “чат с ИИ”, а интерфейс, где пользователь и агент реально работают вместе. GitHub: github.com/CopilotKit/CopilotKit

📘 На платформе Mentorix вышел курс — «ML-инженер: от первой модели до продакшена» Освойте современные инструменты ML и создавайте реальные проекты с данными. Этот курс проведёт вас от первых шагов в Python до полноценной ML-системы. • Python и библиотеки: NumPy, Pandas, Matplotlib, Seaborn, Plotly, Scikit-learn • Алгоритмы: регрессия, деревья решений, ансамбли (Random Forest, XGBoost, LightGBM, CatBoost) • Глубокое обучение: PyTorch, TensorFlow/Keras, CNN, RNN, LSTM, Attention • Работа с данными: SQL, API, web scraping, очистка и подготовка датасетов • Итоговый проект — собственная ML-система с код-ревью и поддержкой преподавателей • Практические кейсы для портфолио и уверенности в реальных задачах 🎓 К концу курса у вас будет реальный проект и навыки, которые можно показать на собеседовании или использовать в работе. 👉 пройти курс

Профессия - Вайбкодер

xAI умер. Да здравствует SpaceXAI! Маск только что ликвидировал xAI как отдельную компанию и подал заявку на товарный знак SpaceXAI в USPTO. Хронология выглядит так: • Март 2025: xAI покупает X / Twitter за $33 млрд • Февраль 2026: SpaceX покупает xAI. Общая оценка объединённой структуры - $1,25 трлн: $1 трлн SpaceX и $250 млрд xAI. Крупнейшая сделка в истории. • 6 мая: подана заявка на товарный знак SpaceXAI в USPTO • 7 мая 2026: Маск заявляет, что xAI будет «растворена как отдельная компания» Теперь к финансовой части: SpaceX в 2025 году: около $15 млрд выручки и примерно $8 млрд прибыли. xAI за последние 6 месяцев отчётности: около $250 млн выручки и $2,5 млрд убытка. IPO SpaceX ожидается в конце июня или июле 2026 года с оценкой до $1,5 трлн. Объединяя xAI и X внутри SpaceX, Маск упаковывает ракеты, Starlink, ИИ и соцсеть в одну большую IPO-историю. Заявка на товарный знак SpaceXAI покрывает satellite-based data center services и orbital computing infrastructure. Проще говоря - космические дата-центры. SpaceX уже подавала документы в FCC на орбитальную AI-инфраструктуру из миллиона спутников. xAI не взлетел как самостоятельная AI-лаборатория. SpaceXAI теперь переупаковывают как инфраструктурную компанию. В долгую ставка не на конкуренцию моделей, а на продажу вычислений. tmsearch.uspto.gov/search/search-results/99808217

Китайский ERNIE 5.1 почти залез в SOTA Baidu заявляет, что модель стала сильнее в поиске, reasoning, knowledge Q&A, creative writing и agentic-задачах, используя около 6% pre-training cost сопоставимых моделей. По цифрам: - 1223 на LMArena Search - 4-е место в мире по Search - лучшая китайская модель в этом рейтинге - 1476 на LMArena Text у ERNIE 5.1 Preview - 13-е место глобально Но есть нюанс: полноценного технического отчёта по ERNIE 5.1 пока не видно. Claim про 6% выглядит как заявление Baidu, а не как независимо проверенная метрика. https://x.com/Baidu_Inc/status/2053009538769735774

DeepMind показали - как математику начинает двигать связка из модели, агентов и человека. Их AI co-mathematician набрал 48% на FrontierMath Tier 4 - это задачи уровня research, над которыми профессиональные математики могут думать неделями. Для сравнения: базовая Gemini 3.1 Pro без агентной обвязки набирает 19%. Несколько агентов параллельно ищут идеи, проверяют доказательства, пишут код, ищут похожие работы и пытаются найти контрпримеры. Но важная оговорка: эти 48% нельзя напрямую сравнивать с обычными лидербордами. DeepMind запускали систему в своём режиме: до 48 часов на одну задачу, без лимита токенов и на своей инфраструктуре. Математик Marc Lackenby использовал систему для задачи из Kourovka Notebook. ИИ предложил стратегию доказательства, другой агент нашёл в ней ошибку, а человек закрыл недостающий шаг. В этом и смысл: ИИ пока не заменяет математическую интуицию. Он не превращается в гения, который сам решает задачи тысячелетия. Зато он резко ускоряет скучную и тяжёлую часть исследования: поиск литературы, проверку идей, перебор вариантов, код и вычислительную верификацию. https://x.com/pushmeet/status/2052812585804685322