Анализ данных (Data analysis)

💾 A-Vibe и A-Vision от технологической платформы Авито появились в открытом доступе. Первыми российскими моделями для электронной коммерции с глубокой оптимизацией под русский язык уже можно воспользоваться. Они дообучены на данных e-commerce и заточены под задачи рынка: анализ документации, создании ИИ-ассистентов, автоматизация контента. Компания потратила на разработку ИИ-моделей более полумиллиарда рублей. Что по навыкам: — обе модели могут работать с длинными текстами (примерно 100 страниц) — умеют вызывать внешние инструменты для выполнения расчетов, поиска данных в базах или обращения к API-сервисам — с их помощью можно создавать автономных ИИ-агентов Проекты многообещающие: уже сейчас A-Vibe занимает первые места в различных рейтингах. Команда Авито также русифицировала большой пул популярных тестов для замера качества моделей. Сейчас все инструменты доступны разработчикам бесплатно на сайте Hugging Face.

🔥 Plotset - полезная платформа для визуализации данных с встроенным ИИ. ✨ Более 300 готовых шаблонов графиков ✨ Полная свобода: создавайте, редактируйте и экспортируйте в JPG, PNG или SVG без ограничений ✨ ИИ по запросу: опишите идею — и модель сгенерирует или доработает визуализацию, добавит интерактивность или предложит улучшения ✨ Щедрый бесплатный тариф — чтобы начать прямо сейчас Делаем датавиз не просто понятным, а по-настоящему красивым: https://plotset.com/

🤖 MiniMax-M2: компактная MoE-модель MiniMax-M2 переосмысливает эффективность: это 230 млрд параметров (из них активно только 10 млрд) - мощная, быстрая и экономичная модель, которая сочетает интеллект уровня топовых LLM с оптимизацией под агентные применения и программирование. 🔹 Основные особенности 🧠 Интеллект мирового уровня. По данным *Artificial Analysis*, MiniMax-M2 демонстрирует отличные результаты в математике, науке, программировании, следовании инструкциям и использовании инструментов. Модель занимает #1 место среди всех open-source моделей по суммарному индексу интеллекта. 💻 Кодинг Разработана для полного цикла разработкт - от файловых правок до тестировании кода и его автокоррекции. Модель показывает отличные результаты на Terminal-Bench и (Multi-)SWE-Bench, что делает её эффективной в IDE, терминалах и CI-системах. 🧩 Агентные возможности. MiniMax-M2 умеет планировать и выполнять сложные цепочки действий через shell, браузер, retrieval и code runners. В тестах BrowseComp уверенно находит труднодоступные источники и восстанавливается после сбоев, не теряя цепочку рассуждений. MiniMax M2 построена по принципу GPT-OSS и использует сочетание Full Attention и Sliding Window Attention (SWA). Это помогает эффективно работать с длинным контекстом - часть модели анализирует всё сразу, другая концентрируется на ближайших фрагментах текста. Каждая attention-голова имеет собственный RMSNorm, а блоки Full Attention и SWA используют разные RoPE-параметры, это повышает гибкость и устойчивость модели. MiniMax-M2 - это новый стандарт эффективности для AGI-агентов и кодинга: умнее, быстрее и дешевле, чем аналоги. https://huggingface.co/MiniMaxAI/MiniMax-M2 @ai_machinelearning_big_data #AI #MiniMax #LLM #ArtificialIntelligence #Benchmarks

🎥 Ditto: Инновации в редактировании видео с помощью ИИ Ditto — это передовая платформа для генерации высококачественных данных для редактирования видео на основе инструкций. Она объединяет мощь генераторов изображений и видео, создавая уникальный набор данных Ditto-1M с миллионом примеров, что позволяет обучать модели, такие как Editto, с выдающимися результатами. 🚀Основные моменты: - Инновационная генерация данных для видео редактирования. - Уникальный набор данных Ditto-1M с миллионом примеров. - Эффективная архитектура модели для снижения затрат и повышения качества. - Применение интеллектуального агента для фильтрации и контроля качества. 📌 GitHub: https://github.com/EzioBy/Ditto

Чат-боты с ИИ как «подхалимы» _ почему это проблема 😮 В статье «AI chatbots are sycophants researchers say it’s harming science» журнала Nature исследователи показывают, что современные ИИ-модели значительно чаще склоняются к подстройке под ожидания пользователя, чем люди. : 🔍 Ключевые моменты: - Модели ИИ демонстрируют примерно на 50 % большую склонность к подхалимству по сравнению с людьми. - Такая склонность может снижать научную жёсткость: ИИ отвечает «правильно», но не обязательно честно или критически. - Авторы статьи обсуждают меры, которые можно применить, чтобы снизить риски: например, системная проверка ответов, критическое мышление, прозрачность алгоритмов. ❓ Почему это проблема: - Если вы используете ИИ-инструменты в проектах или исследованиях, важно помнить: ИИ — не заменитель критического мышления. - При готовке материалов, кода или отчётов с участием ИИ держите контроль: проверяйте факты, задавайте вопросы, ищите альтернативы. - Знание этих ограничений помогает работать более ответственно и эффективно с ИИ-системами. https://www.nature.com/articles/d41586-025-03390-0 #ИИ #исследования #наука #AI #программирование

✔️ Исследователи представили новый метод обучения ИИ под названием Dyna Mind, который учит агентов планировать действия через симуляцию будущих шагов, опираясь на реальный опыт. Главная идея в том, чтобы модель не просто угадывала ответы, а строила внутреннее понимание мира - как её действия влияют на окружение. Это помогает решать сложные задачи с несколькими шагами, где обычные модели часто проваливаются: управление приложениями, игры, взаимодействие со смартфоном. Метод состоит из двух этапов. На первом, RESIM, агент симулирует возможные шаги, объединяет их в логическую цепочку и дообучается на ней. Так формируется внутренняя карта мира. На втором этапе, Dyna GRPO, используется обучение с подкреплением - агент действует в реальной среде, наблюдает последствия и корректирует своё рассуждение, постепенно выбирая более эффективные действия. Результаты оказались впечатляющими: на тестах ALFWorld, Sokoban и AndroidWorld модели стали успешнее и короче в рассуждениях. Особенно заметен рост на ALFWorld — модель с 7 миллиардами параметров достигла 90,8% успеха, что является рекордным показателем. arxiv

🔥Облачный провайдер Cloud․ru придумал нестандартный формат рекламы своих сервисов — телемагазин для айтишников В роликах комик Илья Макаров объясняет, как облачные и AI-сервисы Cloud.ru помогают решать различные бизнес-задачи за счет: • внедрения умного поиска по данным • ускорения разработки приложений • вайб-кодинга с AI • создания корпоративных AI-агентов Посмотреть ролики и узнать про простоту и удобство сервисов провайдера можно по ссылке. Реклама. ООО «Облачные технологии», ИНН: 7736279160. Erid: 2W5zFKAMp32. 0+

🧠 Anthropic проверила, могут ли LLM понимать скрытые мотивы людей Исследователи из Anthropic опубликовали новую работу, где проверили, насколько большие языковые модели (LLM) способны замечать намерения и скрытые мотивы за сообщениями — например, когда кто-то говорит что-то не из-за убеждений, а потому что ему заплатили или он хочет повлиять на мнение. 🔍 Суть эксперимента Моделям давали тексты с разными источниками сообщений: - нейтральные примеры, обычные советы или отзывы без выгоды для автора; - скрытые мотивы, когда человек получает оплату или имеет выгоду (например, реклама под видом совета); - явные предупреждения, где в тексте упоминалось, что «автор получает деньги за это». Задача моделей - оценить, насколько можно доверять сообщению и заметить, есть ли скрытый интерес. 🧩 Результаты На простых синтетических примерах (где мотив очевиден) LLM-ы действовали почти как люди и могли логически объяснить, что сообщение может быть предвзятым. Но в реальных кейсах, например, в рекламных текстах или постах с платной интеграцией — модели часто не видели подвоха. Они воспринимали сообщения как искренние и достоверные. Если модель напомнить заранее (prompt-hint), что стоит искать скрытые мотивы, результаты улучшались, но не сильно - эффект был частичный. 🧠 Неожиданный эффект Оказалось, что модели с длинными цепочками рассуждений (chain-of-thought) хуже замечали манипуляции. Когда модель начинает подробно рассуждать, она легче “запутывается” в деталях и теряет критичность к источнику, особенно если контент длинный и эмоциональный. Чем длиннее и сложнее сообщение, тем хуже модель оценивает предвзятость. Это контрастирует с человеческим поведением: люди обычно, наоборот, становятся подозрительнее при сложных рекламных текстах. Современные LLM могут анализировать факты, но слабо понимают мотивы, но им трудно различить, почему кто-то что-то говорит. Это делает их уязвимыми для скрытого влияния, особенно если текст замаскирован под дружеский совет или экспертное мнение. При использовании LLM для анализа новостей, рекомендаций или рекламы важно учитывать, что они могут не распознать коммерческую предвзятость. 📄 Исследование: arxiv.org/abs/2510.19687

Не пропусти МТС True Tech Champ — масштабный фестиваль 21 ноября для тех, кто живет технологиями 🔥 Тебя ждут: ▫️ Конференция с международными спикерами. Эксперты расскажут о трендах в ИИ и инновациях в индустрии. ▫️ ИТ-качалка. Наращивай экспертизу на воркшопах. ▫️ Шоу-финал ИТ-чемпионата. Более 250 талантов со всей России сразятся в лайв-кодинге и программировании роботов на скоростное прохождение лабиринтов со спецэффектами. Выбирай и болей за фаворитов. ▫️ Айтивности. Тебя ждут бои роботов, кодерские челленджи, пайка плат и не только. Заработай True Coins и обменяй их на стильный мерч. ▫️ HR-Hub. Команда МТС расскажет о возможностях для развития в компании и поможет перезагрузить карьерный трек. ▫️ Афтепати со звездными хэдлайнерами. Зажги под популярные хиты. Когда: 21 ноября, МТС Live Холл в Москве и онлайн. Регистрируйся на сайте. Участие бесплатно, количество мест ограничено.

Исследователи представили новую технологию под названием Adamas, которая ускоряет механизм self-attention до 4.4 раз, сохраняя качество обработки длинных контекстов. Главная идея - сделать внимание «разреженным» без потери смысла. Вместо того чтобы сравнивать каждый токен со всеми остальными, как в классическом attention, модель Adamas использует только 128 релевантных токенов для каждого запроса. При этом точность остаётся почти такой же, как у полного внимания, а скорость растёт в несколько раз. Метод основан на простых, но эффективных приёмах. Сначала к векторам запросов и ключей применяется преобразование Адамара, которое сглаживает экстремальные значения и позволяет их сжать. Затем значения разбиваются на четыре уровня и кодируются всего в 2 бита. Эти компактные коды хранятся в кэше и позволяют при инференсе быстро вычислять сходство между токенами с помощью лёгкой метрики (Manhattan distance). Модель выбирает наиболее важные токены и выполняет обычное внимание только над ними. Такой подход почти не требует дополнительной памяти, лишь небольшой 2-битный код на токен — и может встраиваться в существующие LLM без переобучения. Благодаря этому Adamas обеспечивает до 4.4× ускорения self-attention и около 1.5× ускорения инференса в целом, не теряя качества. Источник: arxiv.org/abs/2510.18413

🧠 Суперспособности для Claude Code Репозиторий предоставляет редактируемую сообществом библиотеку навыков для плагина суперспособностей Claude Code. Пользователи могут добавлять новые навыки и улучшать существующие, способствуя развитию проекта. 🚀 Основные моменты: - Редактируемая библиотека навыков - Утилиты для управления навыками - Поддержка сообщества для улучшений 📌 GitHub: https://github.com/obra/superpowers-skills

🚀 Новый курс на Stepik: Computer Vision Engineer Соберите production-ready CV-сервис: данные → модель → деплой → метрики. Что внутри • Задачи: классификация, сегментация, детекция, трекинг, OCR/Doc-AI • Данные: разметка, баланс классов, аугментации (Albumentations), DataOps • Инференс: ONNX/TensorRT, смешанная точность, батчинг, троттлинг • Сервинг: FastAPI/gRPC, очереди сообщений, асинхронные пайплайны • Надёжность: мониторинг, дрейф данных, алерты, регрессионные тесты • MLOps для CV: mAP/IoU/Dice, A/B-тесты, бюджет по инфре • Прод: Docker/Compose, CI/CD, профилирование p95 и cost/req 🎯 Итог: портфолио-проект + репозиторий + чек-листы деплоя и мониторинга + сертификат Stepik. 🔥 Промокод COMPUTERVISION: −30% на 48 часов. 👉 Пройти курс со скидкой

🍎 Apple выпустила Pico-Banana-400K - это крупнейший открытый датасет для редактирования изображений по тексту. Что внутри: • ~400 000 примеров на основе реальных фото из Open Images • 35 типов правок в 8 категориях: от изменения цвета до замены объектов, стилей, текста, выражений лиц и даже расширения кадра • Все правки делала модель Nano-Banana, а качество оценивал Gemini-2.5-Pro по 4 критериям: Интересные детали: • Легче всего модели даются стилизация (93% успеха) и эффекты вроде зернистости плёнки • Сложнее всего — точное перемещение объектов и редактирование шрифтов (~57–59% успеха) • Неудачные попытки сохранены — как негативные примеры для обучения • Общая стоимость сборки датасета — около $100 000 • Датасет открыт для исследований (лицензия CC BY-NC-ND 4.0), идеален для разработки ИИ-редакторов следующего поколения. 🔗 GitHub

🧠 DiffMem: Git-Based Memory for AI Agents DiffMem предлагает легковесную память для ИИ, использующую Git для отслеживания изменений и Markdown для хранения данных. Этот проект демонстрирует, как системы контроля версий могут стать основой для эффективной и масштабируемой памяти в приложениях ИИ, позволяя агентам быстро получать актуальную информацию и исследовать её эволюцию. 🚀 Основные моменты: - Хранит "текущие" состояния знаний в Markdown. - Использует Git для управления историей изменений. - Обеспечивает быстрый и объяснимый поиск с помощью BM25. - Поддерживает гибкость и портативность данных. - Легко интегрируется и не требует серверов. 📌 GitHub: https://github.com/Growth-Kinetics/DiffMem #python

AIJ Deep Dive – must-attend событие для профессионалов в AI! Специальный очный трек международной конференции AI Journey для инженеров будущего — для тех, кто создаёт AI своими руками. Будет два тематических дня:

1️⃣ День Науки (19 ноября) — прорывные исследования, передовые R&D-разработки и глубокий технический разбор решений. 2️⃣ День Бизнеса (20 ноября) — реальные кейсы внедрения AI, практические результаты и оценка эффективности.

Почему это событие нельзя пропустить?

✔️ Сообщество тех, кто уже сегодня формирует технологические стандарты завтрашнего дня ✔️ Только реальные кейсы, инсайды и решения ✔️ Нетворкинг и возможность установить контакты с ключевыми игроками рынка и перспективными коллегами ✔️ Постерная сессия научных статей, в том числе уровня А/А* ✔️ Возможность увидеть изнутри, как рождаются прорывные технологии

Локация: офис Сбера, Кутузовский проспект, д. 32, к. 1 (Е) Дата: 19–20 ноября 2025 года Подробности и регистрация: https://aij.ru/deepdive Приходи и стань частью сообщества, которое пишет будущее!

🚀 IBM представила Toucan: крупнейший открытый набор данных для обучения ИИ-агентов вызывать и использовать инструменты (tool calling). Toucan содержит более 1,5 млн реальных сценариев взаимодействия с API и внешними сервисами, охватывая 2000+ инструментов - от планирования задач до анализа данных и отчётности. 💡 Модели, обученные на Toucan, уже обошли GPT-4.5-Preview в ряде бенчмарков по эффективности работы с инструментами. Toucan обучает модели на реальных последовательностях вызовов инструментов, а не синтетических данных. Подробнее: https://research.ibm.com/blog/toucan-for-tool-calling #AI #Agents #ToolCalling #IBM #LLM

Новое техношоу о фейлах на дата-платформах Все упало, все сломалось, бизнес в панике. Для дата-инженеров это обычный вторник, а для шоу «Дропнуто» — повод снять свежий выпуск. «Дропнуто» превращает фейлы дата-платформ в истории, которые полезно услышать каждому, кто работает с данными. В центре каждого эпизода — один герой и одна яркая история фейла, развернутое обсуждение архитектуры и процессов, а также немного самоиронии. Анонсы и ссылки на прямые эфиры появятся в телеграм-боте проекта. Подписывайтесь, чтобы узнавать о премьерах первыми.

🔥 GOOGLE AI опубликовали пост о настоящем прорыве в области QUANTUM AI Сегодня в журнале Nature команда Google впервые показали проверяемое квантовое преимущество с помощью метода, называемого *out-of-time-order correlator (OTOC), или «квантовые эхо». Эксперимент проведён на квантовом чипе Willow, и он показывает, что квантовые устройства уже способны решать задачи, которые невозможно эффективно симулировать на классических компьютерах. Квантовый процессор Google выполнил алгоритм под названием Quantum Echoes - в 13 000 раз быстрее, чем лучший классический алгоритм на одном из самых мощных суперкомпьютеров в мире. 🟠Что это значит простыми словами Учёные научились буквально «отматывать время» в квантовой системе и смотреть, когда она переходит от упорядоченного поведения к хаосу. Этот переход - ключ к пониманию, где начинается настоящее квантовое преимущество. Проще говоря: 1) Учёные запускают квантовую систему вперёд во времени, позволяя ей запутаться и “рассеять” информацию. 2) Затем применяют обратные операции, как будто “перематывают” процесс назад. 3) Если всё сделано идеально, система должна вернуться в исходное состояние,но из-за квантового хаоса это происходит лишь частично. 4) Разница между “до” и “после” показывает, насколько глубоко информация ушла в хаос. Работа показывает, что можно извлекать информацию из хаотичных квантовых состояний, ранее считавшихся полностью случайными. Такой эффект невозможно воспроизвести на обычных суперкомпьютерах. Это шаг к практическим квантовым вычислениям, которые смогут моделировать материалы, молекулы и сложные физические процессы с точностью, недостижимой ранее. «Quantum Echoes может стать основой будущих квантовых разработок для реального применения. *Out-of-time-order correlator (сокращённо OTOC) - это специальная метрика, с помощью которой физики измеряют, как быстро информация "распространяется" и смешивается внутри квантовой системы. 🟢 Статья: https://www.nature.com/articles/s41586-025-09526-6 @ai_machinelearning_big_data #QuantumComputing #Google #AI #Nature #Physics

📌 Как быстро выгрузить большой объем данных из 1С? Работа с высоконагруженными системами 1500 АРМ. 📌 Приглашаем Вас на бесплатный онлайн-вебинар от «Денвик Аналитика» и наших партнёров «Insight», посвящённый теме работы с высоконагруженными учетными системами до 1500 АРМ, вопросам загрузки данных из 1С, контролю над распределенными системами и визуализацией данных. Ключевые темы: - Механики и методы извлечения данных из 1С; - Преимущества и работа Экстрактора 1С; - Архитектура решений; - Подключение данных Экстрактора к BI-платформе INSIGHT; - Микс данных из 1С, ClickHouse, Postgre и других систем для OLAP аналитики; - Self-service в Bi платформе INSIGHT - анализ на основе данных из экстрактора Денвик; - Представление данных и визуализация в едином дашборде; - Создание цифрового рабочего места на базе платформ; - Аналитическая смарт панель INSIGHT. Спикеры: Степан Пыстин - CTO компании "Денвик Аналитика". Александра Козлова - Старший аналитик INSIGHT. Регистрируйтесь по ссылке

Крутая работа от NVIDIA + MIT 👏 QeRL (Quantization-enhanced Reinforcement Learning) - новый способ обучать LLM-модели с подкреплением, используя 4-битные веса и адаптивный шум. 📈 Результат работы метода: до 1.5× быстрее rollout’ы* и полноценное RL-обучение 32B модели на одной H100 (80 GB).

Rollout - это прохождение эпизода или попытка модели выполнить задачу от начала до конца, чтобы потом оценить её действия и выдать награду.

Обычный RL медленный, потому что rollout’ы длинные, а память занята политикой и эталоном. LoRA уменьшает число обучаемых параметров, но не ускоряет генерацию. QLoRA использует NF4, но таблицы тормозят вывод. ⚙️ QeRL решает это: - применяет NVFP4 веса через Marlin, - сохраняет LoRA только для градиентов, - использует одну 4-битную политику и для rollout’ов, и для scoring — без дубликатов. 🧠 Добавление адаптивного шума квантизации повышает энтропию токенов — модель исследует пространство решений активнее. Шум постепенно уменьшается и сливается с RMSNorm-масштабированием — без добавления параметров. 📊 На математических задачах: - награды растут быстрее, - точность равна или выше, чем у 16-битных LoRA и QLoRA. 💡 Итого: быстрее, экономнее по памяти, и крупные модели теперь реально можно обучать на одной GPU. 📄 https://arxiv.org/abs/2510.11696