ru
Feedback

Не попадитесь на канал ботавода! Telemetrio находит и помечает такие каналы 👉 Хотите видеть метку — оформите подписку

Big Data AI

Big Data AI

Открыть в Telegram

@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe

Больше

📈 Аналитический обзор Telegram-канала Big Data AI

Канал Big Data AI (@bigdatai) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 18 309 подписчиков, занимая 7 145 место в категории Технологии и приложения и 35 818 место в регионе Россия.

📊 Показатели аудитории и динамика

С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 18 309 подписчиков.

Согласно последним данным от 16 ноября, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 78, а за последние 24 часа — -8, при этом общий охват остаётся высоким.

  • Статус верификации: Не верифицирован
  • Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 8.74%. В первые 24 часа после публикации контент обычно набирает 4.35% реакций от общего числа подписчиков.
  • Охват публикаций: В среднем каждый пост получает 1 600 просмотров. В течение первых суток публикация набирает 796 просмотров.
  • Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 14.
  • Тематические интересы: Контент сосредоточен на ключевых темах, таких как llm, openai, github, nvidia, deepseek.

📝 Описание и контентная политика

Автор описывает ресурс как площадку для выражения субъективного мнения:
“@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe”

Благодаря высокой частоте обновлений (последние данные получены 17 ноября, 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.

18 309
Подписчики
-824 часа
-207 дней
+7830 дней
Архив постов
🤯 Claude Code пишет 90% кода Anthropic. Но у его собственных проверок есть лазейка Инженер Anthropic Адди Османи рассказал,
+1
🤯 Claude Code пишет 90% кода Anthropic. Но у его собственных проверок есть лазейка Инженер Anthropic Адди Османи рассказал, как устроена разработка Claude Code. Перед коммитом агент должен пройти /code-review или /verify. Но есть нюанс: если два коммита подряд заблокированы в одной сессии, следующий всё равно разрешается. Иначе Claude может зациклиться на исправлениях. Есть и другой необычный механизм: если агент не может исправить нестабильный тест, он может удалить его, но обязан задокументировать причину. По словам Османи, Claude уже пишет и проверяет около 90% кода команды. Получается, ИИ не только разрабатывает продукт, но и участвует в управлении собственным процессом разработки.

Как изменятся подходы к построению Data Governance в 2027 году 26 ноября Navicon и Arenadata проводят в Москве закрытую очную
Как изменятся подходы к построению Data Governance в 2027 году 26 ноября Navicon и Arenadata проводят в Москве закрытую очную встречу, посвященную управлению данными. Эксперты расскажут, как выстроить дата-ландшафт под задачи бизнеса и что руководителям стоит учесть при выборе решений. В программе: ✔️Тренды в управлении данными ✔️Роль ИИ в построении Data Governance ✔️Проектный опыт по внедрению каталога данных ✔️Рекомендации по формированию дата-ландшафта Участие бесплатное при условии предварительной регистрации. 👉🏻Зарегистрироваться

🚀️️️️️️ У Colossus 2 в 14 раз больше вычислительной мощности, чем у флагманского ЦОД Huawei Epoch AI изучила спутниковые сни
🚀️️️️️️ У Colossus 2 в 14 раз больше вычислительной мощности, чем у флагманского ЦОД Huawei Epoch AI изучила спутниковые снимки кампуса Huawei в Хорингере и оценила, что там работают около 105 тысяч ускорителей Ascend 910C. Суммарная вычислительная мощность площадки соответствует примерно 81 тысяче NVIDIA H100. У Colossus 2 в Мемфисе, где стоят NVIDIA B200 и B300, оценка составляет 1,1 млн H100-эквивалентов. Разница видна и в энергопотреблении. По оценке Epoch AI, ведущие американские кампусы получают примерно в 2,5 раза больше вычислений на ватт, чем Хорингер. При одинаковой мощности электропитания эта разница даёт американским площадкам заметно больше вычислительных ресурсов. Новый корпус может поднять мощность Хорингера до 141 тысячи H100-эквивалентов к началу 2028 года. К тому же сроку Epoch AI ожидает от Colossus 2 как минимум 1,8 млн. По этому прогнозу, Huawei прибавит больше 70%, но её площадка всё равно останется примерно на уровне 8% от мощности Colossus 2. Анализ Epoch AI: https://epochai.substack.com/p/what-huaweis-horinger-data-center

Вопрос без ответа
Вопрос без ответа

MWS Cloud первой в России запустила ночные тарифы на инференс LLM В сервисе MWS GPT Model Hub с 1:00 до 7:00 использование моделей будет до 30% дешевле базовых цен. Скидка работает без исключений - в будни, выходные и праздники. Что выгодно переносить на ночь: - массовую генерацию текстов. - анализ документов и подготовку отчётов. - обработку отзывов. - создание эмбеддингов. Для перехода на ночной тариф интеграцию менять не нужно. Доступные модели: - GLM-5.3 - Kimi K2.6 - Qwen3.6 35B (A3B) - Gemma 4 31B - gpt-oss-120b Все вычисления идут в собственном облаке MWS Cloud, поэтому данные остаются внутри контура провайдера. Подключение к моделям - через OpenAI-совместимый API. Что ещё нового: Появился Playground. В нём модели можно протестить на своих сценариях ещё до интеграции и выбрать оптимальную по качеству ответов, скорости и цене. https://mws.ru/cloud-platform/model-hub/

KRAFTON выпустила Raon-1 nano: компактная LLM для локального запуска с 1,5 млрд параметров Разработчик PUBG представил неболь
KRAFTON выпустила Raon-1 nano: компактная LLM для локального запуска с 1,5 млрд параметров Разработчик PUBG представил небольшую плотную языковую модель, ориентированную на работу непосредственно на устройствах. Технические характеристики: - 1,5 млрд параметров основной модели. - 3,1 млрд параметров с учётом Per-Layer Embeddings. - Архитектура Dense. - Обучение на 3 трлн токенов. Как создавали модель? За основу взяли Raon-1 mini Preview (30B-A4B), применили pruning и дистилляцию из MoE в Dense, а затем провели дополнительное обучение с использованием SFT, OPD и RL. Возможности: - Естественный диалог на корейском и английском. - Сохранение контекста разговора. - Следование инструкциям. - Вызов инструментов и работа с агентами. Проект продолжает исследования KRAFTON в области локальных ИИ-моделей, начатые с игрового помощника PUBG Ally. Веса доступны под Apache 2.0: 🤗 https://huggingface.co/KRAFTON/Raon-1-nano Исследование MoE-to-Dense: https://arxiv.org/abs/2605.28207

Anthropic перевела доступ к своим продуктам на белый список регионов Claude, Claude Code и API теперь работают только в 185 разрешённых странах и регионах, причём новая политика выходит за рамки проверки по местоположению.  Она запрещает пользоваться продуктами, находясь в неподдерживаемом регионе, даже в командировке, и закрывает доступ юридическим лицам из исключённых стран и их сотрудникам, откуда бы те ни выходили в сеть, а также любому бизнесу, который прямо или косвенно контролируется из таких регионов.  Перечень основан на внутренних стандартах Anthropic и не повторяет санкционные списки США. В него входят Ирак, Сомали, Палестина и Тайвань, тогда как материковый Китай, Гонконг и Россия в список не попали. https://www.anthropic.com/legal/supported-regions

Новые LLM постепенно отказываются от Full Attention В архитектурах открытых языковых моделей заметен серьёзный сдвиг: разрабо
Новые LLM постепенно отказываются от Full Attention В архитектурах открытых языковых моделей заметен серьёзный сдвиг: разработчики всё чаще заменяют классический Full Attention гибридными механизмами или полностью отказываются от него. Динамика за 2025-2026 годы показывает ускорение этого перехода. Если в 2025 году преобладали модели с полноценным Attention, то во второй половине 2026-го наблюдается разделение примерно 50/50 между гибридными архитектурами и моделями без Full Attention вообще. Вместо него используют Sliding Window Attention, Gated DeltaNet, KDA, Mamba-2, разреженное внимание и другие механизмы. Зачем это нужно? Первое: меньше вычислений. Разреженное внимание обрабатывает только выбранные токены или блоки контекста, сокращая стоимость обработки длинных последовательностей. Второе: меньше памяти. Рекуррентные механизмы вроде Gated DeltaNet хранят состояние фиксированного размера, вместо того чтобы удерживать всю историю взаимодействия. У такого подхода есть компромисс: сжатие истории усложняет точное извлечение информации. Поэтому многие модели комбинируют рекуррентные слои с классическим или разреженным Attention. Основное направление развития архитектур LLM - удешевление работы с длинным контекстом: большими документами, кодовыми базами и многошаговыми ИИ-агентами, которые совершают десятки вызовов инструментов.

Repost from Machinelearning
✔️ Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часо
+3
✔️ Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часов Новые модели получили серьёзные улучшения в программировании, математике, научных исследованиях и кибербезопасности. Что удалось сделать: - Математика: 1000 агентов формализовали доказательство Великой теоремы Ферма на Lean за 30 часов. Предыдущей исследовательской версии Claude потребовалось 11 дней. - Физика: Fable 5.2 решила две открытые задачи, связанные с физикой чёрных дыр. - Электроника: спроектировала три работающих устройства с печатными платами, корпусами и программным обеспечением. - Программирование: более 90% изменений, попадающих в основной код Anthropic, теперь пишутся Claude при участии людей. - Кибербезопасность: Mythos 5.2 обнаруживает на 10,2% больше уязвимостей, чем Opus 5.5, по внутреннему тесту Anthropic. Производительность и цена: - До 30% быстрее предыдущего поколения. - $8 за миллион входящих токенов. - $40 за миллион исходящих токенов. - Fast Mode: до 2,5 раза быстрее за $16/$80 за миллион токенов. В чём разница? Fable 5.2 и Mythos 5.2 используют одну базовую модель, но отличаются защитными механизмами. Fable доступна широкому кругу пользователей. Mythos предназначена для проверенных организаций, работающих в кибербезопасности и биомедицинских исследованиях. Claude Fable 5.2 уже доступна через Claude, API, AWS, Google Cloud и Microsoft Azure. Официальный анонс: https://www.anthropic.com/claude-fable-and-mythos-5-2 @ai_machinelearning_big_data #Claude #Anthropic

страшно
страшно

GPT-6 Astra нашла лабораторную ошибку, которую пропустила GPT-5.6 OpenAI показала результаты нового бенчмарка BioBasicsBench,
+1
GPT-6 Astra нашла лабораторную ошибку, которую пропустила GPT-5.6 OpenAI показала результаты нового бенчмарка BioBasicsBench, состоящего из 100 задач на основе реальных биологических экспериментов. В одном из тестов GPT-6 Astra обнаружила неправильную маркировку антибиотика на контрольной чашке при клонировании ДНК и правильно признала результаты ненадёжными. GPT-5.6 Sol эту ошибку пропустила. Результаты: GPT-6 Astra: 66,7% GPT-5.6 Sol: 43,8% При этом Astra использовала примерно вдвое меньше выходных токенов. Но до надёжного автономного лабораторного анализа ещё далеко. В другом эксперименте Astra сама выбрала неправильные клоны ДНК. Бенчмарк проверяет способность моделей интерпретировать лабораторные данные, находить ошибки и отказываться от выводов при недостатке доказательств. Показательно, что новая модель лучше распознаёт ошибки в экспериментальных данных, но всё ещё может ошибаться при принятии решений на их основе. https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science/

Правда ?)
Правда ?)

LATCH: минималистичный протокол для безопасных действий ИИ-агентов Разработчик Антон Баланов представил LATCH, открытый прото
LATCH: минималистичный протокол для безопасных действий ИИ-агентов Разработчик Антон Баланов представил LATCH, открытый протокол, позволяющий ИИ-агентам взаимодействовать с внешними сервисами через обычные HTTPS-запросы. Идея в том, чтобы агент мог не только получать данные, но и выполнять действия с явным подтверждением условий. Например, агент хочет заказать 3D-печать детали. Вместо немедленного оформления заказа используется последовательность: 1. `ask` - узнать доступные материалы и возможности сервиса. 2. `quote` - получить точные условия заказа без его выполнения. 3. `approve` - подтвердить предложение, привязав согласие к SHA-256-хешу условий. 4. `commit` - выполнить подтверждённое действие с ключом идемпотентности, защищающим от случайных повторов. 5. `status` - проверить состояние задачи и получить отчёт сервиса. В основе обычные JSON и HTTPS. Никаких обязательных SDK, облачных посредников и внешних зависимостей. Референсная реализация написана для Node.js 20+, есть независимый PHP-провайдер и дополнительный мост к MCP. LATCH не заменяет MCP или A2A. Он решает более узкую задачу: разделяет получение предложения, подтверждение и выполнение действия. Это особенно полезно для агентов, которые работают с заказами, платежными сценариями или другими операциями с последствиями. Проект пока экспериментальный, версия протокола 0.1. Для продакшена потребуется самостоятельно обеспечить аутентификацию, авторизацию и надёжное хранение состояния. Лицензия MIT. GitHub: https://github.com/Balanov/latch

photo content

Repost from Machinelearning
🌟 Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на
+2
🌟 Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на вход идёт запись, свой вопрос к ней и перечень допустимых ответов, на выходе - вероятности по этим ответам с оценкой уверенности. Форматов ответа четыре: да или нет, выбор из вариантов, шкала оценок и отрезок времени внутри записи, когда, например, смеются или вздыхают. Спрашивать можно про язык и речь, число и смену говорящих, эмоцию, акустическую обстановку, неречевые события, динамику разговора, намерение и исход и социальные сигналы.
Набор вопросов можно поменять по запросу без дополнительной разметки и дообучения, а порог уверенности привязывается к правилам заказчика.
Нацелен продукт прежде всего на контакт-центры, где звонки оценивают по фиксированной рубрике, а её модификация выливается в отдельный проект. По заявлению Hume AI, на живом звонке модель успевает отвечать на десятки вопросов каждые несколько секунд, а архив из 40 тысяч записей открывает для поиска за минуты.
В примере из анонса голосовой агент в розничной торговле проверяет неуверенность и раздражение в голосе, число говорящих, фоновый шум и намерение покупателя, а затем отдаёт эти ответы языковой модели вместе с транскриптом, чтобы та решила, подождать, уточнить или передать разговор человеку.
🟡Тесты Hume AI ставит себя впереди Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite и Nemotron 3 Nano Omni. В сравнении с людьми модель совпала со средним мнением группы слушателей в 70,7% случаев против 56,5% у отдельного оценщика.
Доступ открывают по заявке в листе ожидания на странице продукта, цена - 47 центов за миллион входных токенов.
@ai_machinelearning_big_data #news #ai #ml

Как поймать Сэма Альтмана
Как поймать Сэма Альтмана

Repost from Machinelearning
🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код Проект называется dsh-superagent. Эт
🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код Проект называется dsh-superagent. Это экспериментальная система на базе DeepSeek Harness, рассчитанная на автоматизацию разработки в команде. В отличие от обычных coding-ассистентов, агенту не обязательно каждый раз вручную передавать задачу в чат. Что он умеет: - Следит за событиями GitHub и сообщениями в Feishu. - Принимает задачи от авторизованных участников команды. - Создаёт отдельную рабочую сессию для каждой задачи. - Самостоятельно работает с кодом и готовит Pull Request. - Возвращает результат в исходное обсуждение. - Показывает в веб-панели задачи, требующие участия человека. Архитектурный принцип - минимум внимания разработчика, максимум полезной автономной работы. Агент действует по запросу или заранее заданным правилам и не отвлекает команду без необходимости. Сам DeepSeek предупреждает, что это исследовательский прототип, а не готовое production-решение. Часть кода проекта тоже была написана AI-агентами. Стек: TypeScript, DeepSeek Harness. Лицензия MIT. https://github.com/deepseek-ai/dsh-superagent-prototype

Repost from Machinelearning
🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет
+2
🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет вывод больших языковых моделей. Спекулятивное декодирование поручает черновик небольшой модели, а целевая проверяет сразу несколько предложенных токенов одним проходом и принимает их до первой ошибки. UBTree относится к той же семье параллельных драфтеров, что DFlash и DSpark, и закрывает их недостаток - они предлагают весь блок токенов одновременно и потому работают быстро, но на размытых распределениях целевой модели, где несколько продолжений близки по вероятности, угадывают хуже. Черновик в UBTree собирается двумя параллельными проходами: 🟢первый делает модель DFlash, которая подбирает по 64 варианта токена на каждую из шестнадцати позиций блока, причём каждую позицию считает независимо от соседних; 🟢биграммный селектор оценивает, насколько один вариант годится в продолжение другому: пару соседей он прогоняет через два небольших перцептрона поверх замороженных эмбеддингов целевой модели, отдельно для предшественника и для последователя, и добавляет полученную оценку к оценке DFlash с весом, зависящим от глубины. Все пары считаются одновременно, из оценок переходов набирается дерево на 64 узла, и целевая модель проверяет его целиком за один проход. Селектор обучали на откликах, перегенерированных при высокой температуре, с перенормированной KL-функцией потерь - так в разметку попадают не только самые вероятные продолжения, но и правдоподобные альтернативы, за счёт которых дерево чаще совпадает с выбором целевой модели. Вместе с методом выложены две черновые модели - Ling3-Tiny-UBTree на 183 млн параметров работает в паре с Ling-3.0-tiny (8 млрд параметров, 1 млрд активных), Ling3-Flash-UBTree на 482 млн - с Ling-3.0-flash (124 млрд, 5 млрд активных).
Они ничего не генерируют и нужны только как драфтеры к своей целевой модели.
🟡 Тесты На семи тестах, от GSM8K и AIME до LiveCodeBench и MT-Bench, UBTree даёт среднее ускорение 6,88× на Qwen3-4B и 6,94× на Qwen3-8B и опережает ближайший древовидный метод DARTree во всех 28 сравнениях, в среднем на 7,4-13,4%. В SGLang на Ling3-Flash-124B выходит 3,27× против 2,73× у DSpark и 2,80× у DFlash, на Qwen3.8-27B - 4,78× против 4,32× у DSpark. На длинном контексте LongBench-v2 число принятых за раунд токенов выше, чем у сильнейшего из конкурентов, на 31,0-39,7%.
Поддержка UBTree для Ling3 в SGLang пока не опубликована. Команда обещает дополнительные черновые модели в течение месяца.
📌Лицензирование: MIT 🟡Страница проекта 🟡Набор моделей 🟡Техотчет @ai_machinelearning_big_data #AI #ML #LLM #Decoding #UBTree #InclusionAI

Claude проверяет ваши диалоги после каждого ответа. Пользователь этой оценки не видит. Anthropic рассказала о self-assessment: модель получает скрытую инструкцию оценить разговор и формирует короткий отчёт. В нём - возможное нарушение, причина, категория риска и приоритет проверки человеком. Это уже работает на значительной части трафика Claude. Повторяющиеся сигналы высокого приоритета передают команде для разбирательства. Сама оценка не блокирует запросы автоматически. На Claude Fable 5 система обнаружила: - 78% разговоров, которые более мощный классификатор пометил как потенциально вредные. - 94% случаев высокого приоритета. - При 1% ложных срабатываний на безопасных разговорах. Проверка использует уже сохранённый контекст в KV-кэше и добавляет менее 2% вычислительных затрат. С пользователей эту стоимость не взимают. По данным Anthropic, система помогла обнаружить романтическую аферу, которую организовали через Claude Code против десятков жертв. После проверки аккаунты заблокировали. Ограничение: результаты сравнивали с другим ИИ-классификатором, поэтому общие ошибки обеих моделей такая оценка может пропустить. На трафике с соглашениями о нулевом хранении данных система сейчас не работает. https://safeguards.anthropic.com/2026/self-assessment/

photo content