Machine learning Interview
Открыть в Telegram
ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz
Больше
Сеть:📈 Аналитический обзор Telegram-канала Machine learning Interview
Канал Machine learning Interview (@machinelearning_interview) языкового сегмента Русский является активным участником. Сейчас сообщество объединяет 30 197 подписчиков, занимая 4 307 место в категории Технологии и приложения и 21 311 место в регионе Россия.
📊 Показатели аудитории и динамика
С момента создания невідомо проект демонстрирует стремительный рост, собрав аудиторию из 30 197 подписчиков.
Согласно последним данным от 27 августа, 2026, канал показывает стабильную активность. За последние 30 дней изменение числа участников составило 32, а за последние 24 часа — -1, при этом общий охват остаётся высоким.
- Статус верификации: Не верифицирован
- Уровень вовлечённости (ER): Средний показатель вовлечённости аудитории составляет 11.60%. В первые 24 часа после публикации контент обычно набирает 7.07% реакций от общего числа подписчиков.
- Охват публикаций: В среднем каждый пост получает 3 504 просмотров. В течение первых суток публикация набирает 2 135 просмотров.
- Реакции и взаимодействия: Аудитория активно поддерживает контент: среднее количество реакций на один пост — 29.
- Тематические интересы: Контент сосредоточен на ключевых темах, таких как claude, llm, контекст, hermes, nvidia.
📝 Описание и контентная политика
Автор описывает ресурс как площадку для выражения субъективного мнения:
“ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно!
Вопросы - @workakkk
РКН: clck.ru/3FmwRz”
Благодаря высокой частоте обновлений (последние данные получены 28 августа, 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.
30 197
Подписчики
-124 часа
+517 дней
+3230 день
Архив постов
🚀 Pokee представила Isaac 28B - агентную модель с контекстом до 10 миллионов токенов
Компания называет её первой frontier-класс моделью такого размера, способной работать на одном GPU. Isaac использует собственную non-decoder-only архитектуру и рассчитана на долгие агентные задачи: анализ больших кодовых баз, документов, логов и истории вызовов инструментов.
Главные результаты:
93,3% на RULER при контексте 10M токенов
до 137 200 токенов/с на этапе prefill на одной NVIDIA B200
около 335 токенов/с при генерации
первое место среди протестированных моделей на BFCL v4 и τ³-bench
самый низкий combined attack success rate в сравнении DTAP
Саму 28B-модель можно развернуть на одной RTX 4090 или RTX 5090, внутри VPC, on-premises или локально. Но важно: рекордные показатели для полного 10M-контекста измерялись именно на B200, а не на потребительской видеокарте.
Есть и важная оговорка: все сравнительные бенчмарки проведены самой Pokee в собственном harness. Поэтому результаты ещё требуют независимой проверки.
На странице запуска указана предварительная цена $0,15 за миллион входных токенов и $1 за миллион выходных токенов!
Technical blog: https://console.pokee.ai/model Technical report: https://console.pokee.ai/pokee-isaac-28b-v0-technical-report.pdf API: https://console.pokee.ai
DeepSeek начался не с архитектуры модели. Возможно, он начался с поездки в Тибет.
В 2011 году 26-летний Лян Вэньфэн отправился на старом Fiat в одиночное путешествие. Спутник улетел домой из Лхасы, а Лян продолжил путь на запад - к Гималаям и в безлюдные районы Али.
Он проехал сотни километров вглубь плато, фотографируя пейзажи на Nikon D50. Ради одного удачного кадра мог ждать света половину дня.
Затем он пропал почти на неделю.
Позже в его предположительном аккаунте появилось сообщение: Лян выбрался, но Fiat остался на бескрайнем высокогорном плато.
That's the END.
Через 12 лет он основал DeepSeek.
И в этой истории легко увидеть будущий стиль компании.
Пока другие спешили к быстрой коммерциализации, DeepSeek сосредоточилась на фундаментальных моделях. Пока конкуренты компенсировали проблемы вычислительными бюджетами, команда пыталась выжать максимум эффективности. А вместо громкой публичности и закрытых релизов выбрала низкие цены и открытые модели.
Конечно, путешествие не объясняет технический успех DeepSeek. Но оно хорошо показывает характер человека, стоящего за компанией:
• ехать дальше остальных, терпеливо ждать результата, рисковать ресурсами и спокойно оставлять потерянное позади.
Иногда стратегия бизнеса рождается не в презентации для инвесторов.
Иногда она становится продолжением личности основателя.
LLM придумывают исследования заметно уже людей
Исследователи сравнили идеи девяти моделей с идеями из 11 683 реальных научных работ. Условия были одинаковыми: и людям, и LLM давали один набор близких предыдущих исследований и просили найти новый научный вопрос и предложить метод.
Разница оказалась не столько в качестве отдельной идеи, сколько в разнообразии подходов.
Люди чаще искали причины явлений, проверяли ограничения, меняли отдельные механизмы, создавали инструменты измерения и изучали сбои. Модели в основном выбирали безопасный сценарий: соединить две существующие работы или объединить несколько методов.
Такую мотивацию использовали только 12,1% человеческих идей, но от 47,1% до 64,2% идей LLM. Синтез и объединение стали основным методом в 5,1% человеческих работ против 22,5–38,7% у моделей.
Показательный результат: более долгое рассуждение не расширило диапазон идей. В некоторых тестах модели ещё сильнее концентрировались на знакомых шаблонах.
LLM могут быстро выдать убедительную научную гипотезу. Но при массовом использовании они рискуют снова и снова предлагать одну формулу: возьмём A, соединим с B и назовём это новым методом.
Исследование показывает важное ограничение AI Scientist: модель может хорошо развивать найденное направление, но выбор самого направления пока остаётся заметно человеческой задачей.
arxiv.org/abs/2607.01233
🚀 Microsoft открыла Skill Recorder - систему, которая превращает вашу работу на экране в навык для ИИ-агента
Принцип максимально простой: вы один раз выполняете задачу самостоятельно, а приложение фиксирует экран, переключения между окнами, посещённые страницы, буфер обмена и голосовые пояснения.
Затем GitHub Copilot восстанавливает:
цель → последовательность шагов → `SKILL.md` → автоматизацию
Агент старается заменить повторение кликов более надёжными инструментами: API, CLI,
gh, web_fetch и встроенными возможностями платформы.
Например, можно один раз показать обработку GitHub Issue, а затем получить навык для массовой работы с похожими задачами.
Сейчас Skill Recorder создаёт навыки и автоматизации для Microsoft Scout, Copilot Cowork и Copilot Studio. Исходный код опубликован под лицензией MIT.
Запись хранится локально, но после нажатия Analyze скриншоты, события и расшифровка голоса отправляются в облако GitHub. Пароли, токены и API-ключи записывать нельзя.
https://github.com/microsoft/skill-recorder
#Microsoft #AIAgents #GitHubCopilot #Automation #OpenSource
⚡️ Как из хаоса триллионов частиц рождаются законы физики
Каждая молекула газа подчиняется механике Ньютона. Но следить за всеми столкновениями невозможно, поэтому поведение газа описывают уравнением Больцмана — через вероятности.
Юй Дэн, Захер Хани и Сяо Ма строго доказали, как эта статистическая картина возникает из движения отдельных твёрдых сфер. Главной проблемой были повторные столкновения: они создают длинные цепочки зависимостей между частицами и разрушают предположение об их независимости.
Математики разработали способ разбирать огромные истории столкновений и показали, что влияние повторных взаимодействий исчезает в предельном режиме разреженного газа. В результате уравнение Больцмана действительно выводится из обычной механики на всём промежутке существования его регулярного решения.
Работа закрыла центральный этап программы, связанной с шестой проблемой Гильберта: построить строгий мост между движением микроскопических частиц и законами, наблюдаемыми на уровне газа и жидкости.
За этот результат, а также вклад в теорию волновой турбулентности и нелинейные уравнения Шрёдингера Юй Дэн получил Филдсовскую премию 2026 года.
Rust, который наконец становится понятным 🦀
Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли?
Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы.
Ты разберёшь:
Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код
Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой.
🔥 Rust с нуля
🔥 5–6 часов в неделю
🔥 Практика после каждого урока
🔥 Подойдёт после Python, JavaScript, Java и других языков
🔥 Можно начать сразу
В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага.
Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/
Gemini Plus можно получить на год бесплатно — но только при соблюдении условий акции
В X завирусилась студенческая партнёрская программа Google, которая даёт 12 месяцев Gemini Plus без оплаты.
Что входит:
- расширенный доступ к Gemini;
- дополнительные функции NotebookLM;
- 400 ГБ облачного хранилища;
- экономия около $60 за год.
Для активации нужно зарегистрироваться в программе, подтвердить право на участие, выбрать Google AI Plus и привязать карту. Списание не должно происходить до окончания бесплатного периода, но автопродление лучше отключить заранее.
Важно: используйте реальные данные и сначала проверьте региональные ограничения и правила акции — доступность предложения может отличаться.
https://internshala.com/
+1
🔥 OpenAI совершила разворот на 180°
Ещё год назад GPT-5 выглядел как провал, Claude Code уходил вперёд, а Anthropic усиливала позиции в корпоративном сегменте.
Теперь картина изменилась: GPT-5.6 получил сильный запуск, ChatGPT достиг 1 млрд активных пользователей, а Codex и ChatGPT Work вместе превысили 10 млн пользователей.
По словам финансового директора OpenAI Сары Фрайар, июльский годовой темп выручки уже превысил всю выручку за второй квартал.
Anthropic тем временем пришлось отдельно объяснять свою позицию по open weights и разбираться с противоречивым запуском Fable 5.
OpenAI учла ошибки, вернула технологическое лидерство в центр дискуссии и снова набрала мощный темп. Этот камбэк действительно стоит изучать.
+1🤔 GPT-5.6 Sol уже обогнал Opus 5 на ARC-AGI-3? Не совсем
В официальном рейтинге лидер остаётся прежним:
• Claude Opus 5 - 30,2%
• GPT-5.6 Sol - 7,8%
Но ARC-AGI-3 оценивает не только саму модель. Агент должен изучать незнакомые 2D-игры методом проб и ошибок, а результат зависит от памяти, управления контекстом и тестового harness.
Стандартный harness не переносит скрытые рассуждения модели между ходами. Когда история превышает примерно 175 000 символов, самые старые взаимодействия удаляются.
OpenAI запустила Sol через Responses API с сохранением рассуждений и Compaction - механизмом, который сжимает старый контекст вместо его удаления.
На публичных играх результат вырос:
13,3% → 38,3%
При этом модель использовала в шесть раз меньше выходных токенов.
Но это ещё не доказывает превосходство над Opus 5: 38,3% получены на публичном наборе с кастомным harness, а 30,2% Opus 5 - официальный результат в стандартных условиях.
https://x.com/Machinelearrn/status/2082761183732363729
Nvidia готова финансировать покупателей своих же GPU - рынок напрягся
Пятилетний CDS Nvidia — стоимость страховки от дефолта компании — поднялся до рекордного уровня на фоне новых мегасделок вокруг AI-инфраструктуры.
По данным WSJ, Nvidia обсуждает гарантии до $250 млрд, чтобы OpenAI смогла арендовать гигантский дата-центр в Огайо. Ещё до $350 млрд компания может направить на финансирование закупок собственных чипов для этого проекта. Общая стоимость кампуса способна превысить $500 млрд. Сделка пока не подтверждена окончательно.
Получается замкнутый круг: Nvidia помогает клиенту найти деньги, клиент покупает GPU Nvidia, а выручка возвращается поставщику.
Сторонники называют это способом ускорить строительство AI-инфраструктуры. Критики видят искусственно поддерживаемый спрос и риск огромных потерь, если доходность AI не оправдает вложений.
Инвесторы впервые всерьёз спрашивают: кто оплатит вычислительный бум, если экономика AI не сойдётся?
#NVDA #AI #OpenAI
KAT-Coder-V2.5-Dev: 35B параметров, но активны только 3B
KwaiAI открыла KAT-Coder-V2.5-Dev - MoE-модель для агентной разработки на базе Qwen3.6-35B-A3B.
На каждом токене используется около 3 млрд параметров, при этом результаты выглядят серьёзно:
- 69,4 на SWE-bench Verified;
- 63,0 на SWE-bench Multilingual;
- 41,02 на Terminal-Bench 2.1.
Есть контекст 256K, tool calling, thinking и non-thinking режимы, а также сохранение истории рассуждений между шагами агента.
Для обучения использовали 127 тысяч SFT-примеров и reinforcement learning. Доля некорректных tool labels снизилась с 9,34% до 0,28%, а непрерывные повторы — до 0%.
Модель текстовая, без vision-модуля. Веса открыты под Apache 2.0.
https://modelscope.ai/models/Kwaipilot/KAT-Coder-V2.5-Dev
Paper:
https://modelscope.ai/papers/2607.05471
⚡️ Moonshot AI открыла FlashKDA - быстрые CUDA-ядра для Kimi Delta Attention
FlashKDA — реализация KDA на базе CUTLASS, заточенная под современные GPU NVIDIA.
По бенчмаркам разработчиков:
• H20: ускорение примерно до 2,31× относительно
chunk_kda
• GB200: до 3,27× на variable-length sequences
• поддерживается batching последовательностей разной длины
• интеграция уже есть в flash-linear-attention ≥ 0.5.0 — FlashKDA может автоматически выбираться как backend
Требования пока серьёзные: SM90+, CUDA 12.9+ и PyTorch 2.4+.
Интересно здесь другое: вместе с моделями Moonshot постепенно открывает и низкоуровневый стек, необходимый для быстрого запуска их архитектур.
🔗 https://github.com/MoonshotAI/FlashKDARepost from Machinelearning
🚨 Moonshot AI выложила Kimi K3 на Hugging Face — 2,8 ТРИЛЛИОНА параметров в открытых весах.
Это первая open-weight модель класса ~3T. При этом благодаря MoE на каждом токене активируется 104 млрд параметров: 16 экспертов из 896. (Hugging Face)
Что внутри:
— контекст 1 048 576 токенов
— нативная работа с текстом и изображениями
— новая Kimi Delta Attention (KDA)
— Attention Residuals
— 93 слоя: 69 KDA + 24 Gated MLA
— MXFP4-веса + MXFP8-активации
— заявлено примерно 2,5× более эффективное масштабирование, чем у Kimi K2. (Hugging Face)
K3 заточена под долгие агентные задачи: работу с огромными репозиториями, терминалом, исследования, оптимизацию GPU-ядер, компиляторы и другие многошаговые инженерные сценарии. (Hugging Face)
Moonshot действительно опубликовала полные веса модели, а не ограничилась API. (Hugging Face)
https://huggingface.co/moonshotai/Kimi-K3
Nvidia может поставить на OpenAI ещё $250 млрд, но теперь своим балансом
По данным WSJ, Nvidia обсуждает гарантии примерно на $250 млрд для гигантского AI-дата-центра OpenAI в Огайо. Это не перевод $250 млрд OpenAI: Nvidia фактически станет страховкой для кредиторов на случай дефолта по аренде и строительному долгу.
Схема выглядит так:
SB Energy строит → OpenAI арендует → Nvidia гарантирует часть риска.
Масштаб безумный: кампус рассчитан на 10 ГВт вычислительных мощностей и ещё 10 ГВт новой генерации. Из них 9,2 ГВт планируют получить от газовых электростанций с $33,3 млрд японского финансирования. Ещё $4,2 млрд пойдут на электросети.
При этом Nvidia отдельно обсуждает финансирование до $350 млрд закупок чипов OpenAI.
Получается интересный цикл: Nvidia финансирует инфраструктуру клиента, помогает ему покупать собственные GPU и одновременно получает будущую выручку от этих закупок.
Успеет ли OpenAI превратить эти гигантские мощности в деньги раньше, чем гарантии Nvidia превратятся в проблему для самой Nvidia?
https://www.wsj.com/tech/ai/nvidia-in-talks-with-openai-to-guarantee-250-billion-financing-for-data-center-3dd6eae3
Команда GigaChat зовёт на вечеринку для AI-разработчиков и исследователей 🎉
29 июля, Сбер.Среда, пространство «Оригинал» (м. «Курская», ул. Земляной Вал, 9А)
Без докладов, презентаций и официальных дискуссий – только общение с коллегами по индустрии, обсуждение рабочих задач и болей, новые знакомства и летний вечер на веранде.
Регистрация и подробности
Надеемся на хорошую погоду 🥳
До встречи!
XYZ-Aquila-mini: компактная reasoning-модель для глубокого веб-поиска
XYZ AI Lab выпустила XYZ-Aquila-mini под Apache 2.0.
По заявленным результатам модель лидирует среди open-weight моделей до 40B сразу на нескольких поисковых бенчмарках:
* GAIA - 97.1
* DeepSearchQA - 89.5
* BrowseComp - 78.8
Модель заточена под длинные цепочки планирования, поиск по англоязычному и китайскому вебу, проверку источников и восстановление после ошибок при работе с инструментами. Контекст до 256K токенов.
Отдельно интересен их подход AI4AI: люди задают цели, ограничения и критерии качества, а ИИ-агенты сами разбирают ошибки и предлагают контролируемые изменения для post-training.
Модель: https://modelscope.ai/models/XYZAILab/XYZ-Aquila-mini
✔️ Constella: локальная память для файлов, заметок и AI-агентов
Constella — open-source desktop-приложение, которое индексирует локальные файлы и превращает их в единую базу знаний для поиска и AI-агентов.
Данные хранятся на устройстве: LanceDB используется для векторов, SQLite — для метаданных и knowledge graph.
Что умеет:
- индексировать Obsidian, Documents, Downloads и любые выбранные папки;
- извлекать текст из PDF, DOCX, Markdown и изображений;
- строить семантический поиск по локальным данным;
- автоматически связывать заметки, темы и концепты;
- работать с локальными и облачными LLM;
- отдавать базу знаний через MCP в Claude Code;
- использовать агентов и переиспользуемые workflows.
Схема примерно такая:
Файлы
↓
chunks + embeddings
↓
LanceDB + SQLite
↓
Knowledge Graph
↓
поиск / агенты / MCP
Собрать AI-агента по туториалу можно за вечер. Но когда добавляешь память, RAG или несколько инструментов, возникают другие вопросы: почему он свернул не туда, как найти место ошибки и как понять, не сделала ли новая правка систему хуже.
Чтобы развивать такой продукт дальше, нужно понимать, как устроены вызовы модели и инструментов, где хранится контекст, как проверять качество и как вносить изменения.
На курсе «AI-агенты» сначала пишем основные части на API: работу с LLM, structured output, tool-calling, память, RAG и evals. Затем используем LangChain и LangGraph там, где они действительно упрощают разработку, добавляем MCP, мониторинг и деплой.
Курс идёт 12 недель: живые занятия, практика, разборы решений и ревью кода. На выходе - пять агентных проектов и база, с которой можно собирать свои системы.
→ Посмотреть программу, формат и стоимость курса по ссылке
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqvrACMx
