Machine learning Interview

🚀 SWE‑Swiss: рецепт обучения LLM для быстрого решения багов SWE‑Swiss-32B — модель с 32 млрд параметров, оптимизированная для эффективного исправления программных проблем. Что входит в рецепт обучения: - Мulti‑Task Fine‑Tuning + Reinforcement Learning — обучаем модель сразу на нескольких навыках и усиливаем через RL. - Ключевые навыки: - Локализация ошибок (файлы) - Генерация патчей - Создание unit-тестов По результатам тестов на SWE‑bench Verified, модель показывает производительность на уровне передовых закрытых моделей, несмотря на свою среднюю размерность. Плюсы: - Доступно на Hugging Face под лицензией MIT - Использует transformers — просто интегрировать в пайплайн Почему это круто: SWE‑Swiss — пример того, как грамотно комбинация мультизадочного обучения и RL позволяет добиться высоких результатов в решении понятийно сложных задач, делая LLM доступнее и эффективнее для разработчиков. 📑Notion: https://pebble-potato-fc6.notion.site/SWE-Swiss-A-Multi-Task-Fine-Tuning-and-RL-Recipe-for-High-Performance-Issue-Resolution-21e174dedd4880ea829ed4c861c44f88?pvs=143 💻Github: https://github.com/zhenyuhe00/SWE-Swiss

📘 Готовитесь к ML-собеседованию? На Stepik вышел курс — «Vector DB & RAG Developer» Этот курс закрывает типичные вопросы интервью: эмбеддинги, ANN-индексы (HNSW/IVF/IVF-PQ), тюнинг ef_search/M, выбор индекса под 1–10 млн векторов, метрики Recall@K / nDCG и ошибки RAG. 🔍 Что вы получите: • Практика с Qdrant, Weaviate, FAISS: от эмбеддингов до продакшн-RAG • 200+ интерактивных заданий и кейсов в стиле собес-вопросов • Лабы с ручным рецензированием + готовые Python-шаблоны • Чек-листы для интервью: «как объяснить HNSW», «как обосновать метрики», «как выбрать индекс» 🎓 Cертификат Stepik — добавьте в резюме или LinkedIn 🚀 Начните сегодня и получите скидку 25 % в течение  24 часов 👉 Пройти курс на Stepik

🔥 Маск обвинил Apple в нарушении антимонопольного законодательства Поводом стало размещение в App Store — Apple отказалась добавить X и Grok от xAI в секцию “Must Have”, хотя X лидировал в новостных чартах, а Grok был близок к топу общего рейтинга. 📈 Накануне xAI сделали Grok 4 бесплатным для ограниченного числа запросов, что резко ускорило установки и подняло приложение в топ.

GPT-5 - настоящий гений, говорили они

⚡️ Nvidia на SIGGRAPH 2025: самое главное. На конференции SIGGRAPH 2025 Nvidia представила свою центральную концепцию — "Физический ИИ". Это конвергенция ИИ и компьютерной графики для создания систем, способных действовать в реальном мире, будь то роботы, автономные автомобили или умная инфраструктура. 🟡Новое железо на архитектуре Blackwell. Для дата-центров представили GPU Nvidia RTX PRO 6000 Blackwell Server Edition для стандартных корпоративных серверов форм-фактора 2U. Системы на его базе смогут достигать до 45 раз более высокой производительности и в 18 раз лучшей энергоэффективности по сравнению с чисто процессорными решениями. Тензорные ядра пятого поколения с поддержкой формата FP4 бустят инференс в 6 раз по сравнению с предыдущим поколением L40S. Для рабочих станций анонсировали две компактные видеокарты: Nvidia RTX PRO 4000 SFF Edition и RTX PRO 2000 Blackwell. Первая обеспечивает до 2.5 раз более высокую производительность в ИИ-задачах при том же энергопотреблении в 70 Вт, а вторая в 1.4 раза быстрее в CAD-приложениях. 🟡Физический ИИ для робототехники. Для Omniverse анонсировали новую библиотеку NuRec, которая реконструирует реальные окружения из данных сенсоров с помощью 3D Gaussian splatting. Приложения для симуляции Isaac Sim 5.0 и Isaac Lab 2.2 теперь доступны в виде опенсорс-проектов на GitHub.

В качестве примера показали кейс Amazon, где CAD-модели новых продуктов загружаются в Isaac Sim для генерации более 50 000 синтетических изображений. На этих данных обучаются ИИ-модели, которые затем управляют роботизированными манипуляторами для контроля качества продукции — и все это без каких-либо физических модификаций оборудования.

🟡Новые семейства ИИ-моделей. Для корпоративных задач линейку Nemotron расширили моделями Nemotron Nano 2 и Llama Nemotron Super 1.5. Они предназначены для выполнения сложных многоэтапных задач в кибербезопасности или клиентском сервисе. Специально для "Физического ИИ" была разработана 7-миллиардная VLM Cosmos Reason. Ее задача - позволить роботам и агентам интерпретировать физический мир, используя априорные знания, понимание физики и "здравый смысл". Эту модель уже использует Uber для для анализа поведения автономных автомобилей. 🟡Платформа для умных городов и производств Metropolis. Платформа дополнена интеграцией с VLM Cosmos Reason, новыми vision-моделями в TAO Toolkit и расширениями для Isaac Sim, позволяющие генерировать редкие сценарии обучения. @ai_machinelearning_big_data #news #ai #ml

✔️ Сheating daddy - поможет готовься к самым сложным собеседованиям эффективно. Инструмент помогает: • Тренировать ответы для HR и техблока. • Подбирать точные формулировки и структуры ответов. • Разбирать примеры кода и типовые задачи. • Освежать в памяти ключевые алгоритмы и структуры данных. • Находить и исправлять технические неточности в объяснениях. Без «невидимых» подсказок во время интервью — только качественная подготовка. Поддерживает популярные LLM-API, работает быстро и стабильно. Готовься умно — выходи на оффер увереннее. 📌 Github @machinelearning_interview

🎨 Dreambooth-Stable-Diffusion — инструмент для тонкой настройки Stable Diffusion под конкретные объекты или стили. Позволяет обучить модель на ваших фотографиях, артах или предметах, чтобы затем генерировать их в разных контекстах. Проект поддерживает работу на облачных сервисах и локальных машинах, включая Windows. Особенно полезен для цифровых художников и кинематографистов, которые хотят интегрировать собственные элементы в генерацию изображений. 🤖 GitHub @machinelearning_interview

🚀 SWE‑Swiss: рецепт обучения LLM для быстрого решения багов SWE‑Swiss-32B — модель с 32 млрд параметров, оптимизированная для эффективного исправления программных проблем. Что входит в рецепт обучения: - Мulti‑Task Fine‑Tuning + Reinforcement Learning — обучаем модель сразу на нескольких навыках и усиливаем через RL. - Ключевые навыки: - Локализация ошибок (файлы) - Генерация патчей - Создание unit-тестов По результатам тестов на SWE‑bench Verified, модель показывает производительность на уровне передовых закрытых моделей, несмотря на свою среднюю размерность. Плюсы: - Доступно на Hugging Face под лицензией MIT - Использует transformers — просто интегрировать в пайплайн Почему это круто: SWE‑Swiss — пример того, как грамотно комбинация мультизадочного обучения и RL позволяет добиться высоких результатов в решении понятийно сложных задач, делая LLM доступнее и эффективнее для разработчиков. 📑Notion: https://pebble-potato-fc6.notion.site/SWE-Swiss-A-Multi-Task-Fine-Tuning-and-RL-Recipe-for-High-Performance-Issue-Resolution-21e174dedd4880ea829ed4c861c44f88?pvs=143 💻Github: https://github.com/zhenyuhe00/SWE-Swiss

🔥 БЕСПЛАТНЫЙ КУРС ПО СОЗДАНИЮ НЕЙРО-СОТРУДНИКОВ НА GPT И ДРУГИХ LLM 🔥 Ищете практический и углубленный курс, чтобы освоить создание нейро-сотрудников? Мы создали курс из 5 объемных занятий. Это именно то, что нужно, чтобы прокачать свои навыки абсолютно бесплатно! 📌 Темы занятий: 1. Введение в мир нейро-сотрудников 2. Как работают LLM и их аналоги 3. Создание базы знаний для нейро-сотрудника (RAG) 4. Тестирование и отладка нейро-сотрудников 5. Интеграция нейро-сотрудников в Production Вот 5 тем курса - он максимально простой и доступный, общеобразовательный, без какого-либо сложного программирования 📚Прохождение этого курса, скорее всего, займет у вас от 1 до 3 часов 🤖 Присоединяйтесь к нашему бесплатному курсу и разберитесь в этой увлекательной теме с нами!

🍏 Apple выпустила мощный open-source инструмент для визуализации эмбеддингов — Embedding Atlas. Идеально подходит для работы с большими наборами текста и метаданных. Что он умеет: ✅ Мгновенный поиск ✅ Отрисовка миллионов точек в реальном времени ✅ Автоматическая кластеризация с подписями ✅ UMAP-проекции ✅ Фасетный поиск по метаданным (например, "страна vs. цена") ✅ Подсказки и ховеры по точкам ✅ Интерактивные фильтры, гистограммы, оверлеи кластеров ✅ Связанные scatterplot + таблицы Под капотом: • WebGPU (с WebGL-фолбэком) для быстрой отрисовки • Поиск по смысловому сходству в эмбеддингах • Kernel density contours для поиска кластеров и выбросов Пример Apple: визуализация ~200K отзывов о вине с метаданными (цена, страна, заметки о вкусе) — всё летает прямо в браузере, без допкода. Загружаешь .jsonl или .csv с текстом, векторами и метаданными — инструмент сам делает кластеризацию, разметку и строит UI. Это как Tableau для LLM-разработчиков: оптимизировано под текст, чат и современные датасеты. Отлично подойдёт для RAG-оценок, тюнинга поиска, объяснения кластеров и аудита данных. 📌 Github

🎨 X-Omni от Tencent: прорыв в text-to-image генерации. Новая модель X-Omni демонстрирует, как reinforcement learning может вывести авторегрессионные text-to-image системы на новый уровень. В основе — гибридная архитектура: SigLIP-VQ токенизирует изображения, Qwen2.5-7B обрабатывает мультимодальные данные, а диффузионный декодер FLUX.1-dev завершает рендеринг. Интерес вызывает комплексная reward-система, оценивающая результат по эстетике, семантике и читаемости текста. На тестах модель превзошла GPT-4o в рендеринге надписей, особенно для китайского языка. При этом X-Omni стабильно работает без CFG, что выделяет её среди аналогов. 🔗 Ссылка - *клик*

🧠 R-Zero: самообучающийся LLM для развития навыков рассуждения без исходных данных 💡 Идея Большинство современных моделей рассуждения (reasoning LLM) зависят от огромных объёмов размеченных человеком данных и задач. Это тормозит развитие ИИ за пределы человеческого уровня, потому что сбор таких датасетов дорог и ограничен. R-Zero предлагает иной путь — полностью автономное обучение с нуля, без единой готовой задачи или метки. 🔧 Как это работает 1. Берётся одна базовая LLM. 2. Создаются две её копии с разными ролями: - Challenger (Испытатель) — придумывает задачи на грани возможностей модели. - Solver (Решатель) — пытается их решить. 3. Каждая роль обучается отдельно: - Испытатель получает награду за сложность и новизну задач. - Решатель получает награду за успешное решение. 4. Этот цикл формирует саморазвивающуюся учебную программу — задачи постепенно усложняются, и обе модели эволюционируют. 📈 Результаты - Улучшение математического рассуждения: +6.49 балла на бенчмарках. - Рост общего уровня рассуждения: +7.54 балла. - Работает на разных архитектурах, например, Qwen3-4B-Base заметно усилился после обучения через R-Zero. 🚀 Почему это важно - Полная независимость от размеченных датасетов. - Автоматическая генерация и усложнение задач. - Масштабируемый путь к моделям, которые учатся быстрее и шире, чем позволяют человеческие данные. - Может ускорить прогресс в ИИ-системах, приближая их к супер-интеллекту. 🔮 Потенциал - Обучение специализированных reasoning-моделей для науки, инженерии, медицины. - Быстрая адаптация ИИ под новые, ранее не встречавшиеся задачи. - Возможность самообучения в симуляциях без внешних инструкций. 🟢Github 🟢Paper

🧠 SmallThinker — новая серия LLM, нативно обученная для локального запуска SmallThinker — это семейство языковых моделей, созданное с нуля для запуска на обычных устройствах: 📉 низкая память, 🐌 медленное хранилище, ❌ без GPU — и всё это без потери качества. 🔧 Технологии под капотом: • Двухуровневая разреженность: MoE + sparse ReGLU (>60% нейронов неактивны) • Pre-attention router: предсказание нужных экспертов заранее → читаем с SSD параллельно • NoPE-RoPE гибрид: 1:3 глобальное:локальное внимание → KV-кэш в 4 раза меньше • Кэширование и оффлоадинг экспертов → экономим CPU и дисковый ввод • Sparse LM head: предсказываем подмножество словаря, не нужен полный софтмакс • Чекпойнт-мёрджинг: баланс между универсальностью и инструкционной точностью ⚙️ Производительность (CPU-only, Q4_0): • 🪶 4B-A0.6B (1 ГБ ОЗУ): 82.3% HumanEval, 66.1% MMLU, 108 ток/с • 🚀 21B-A3B (8 ГБ ОЗУ): 89.6% HumanEval, 84.4% MMLU — на уровне Qwen3‑30B, но с 85× меньшим потреблением памяти 🏃‍♂️ Работает на CPU, ARM, Raspberry Pi — 20–108 токенов/сек. 📦 Полностью open-source. Готово к локальному использованию без компромиссов. #LLM #SmallThinker #AI #LocalLLM #OpenSource HF: https://huggingface.co/PowerInfer PAPER: https://arxiv.org/abs/2507.20984

🚀 Qwen3-30B-A3B-2507 и Qwen3-235B-A22B-2507 теперь поддерживают контекст до 1 млн токенов! 🔧 Технологии под капотом: • Dual Chunk Attention (DCA) — метод экстраполяции длины, который делит длинные последовательности на управляемые блоки, сохраняя глобальную связность. • MInference — разреженное внимание, уменьшающее вычислительные затраты за счёт фокуса на ключевых токенах. 💡 Что это даёт: - Более высокая точность генерации на длинных контекстах - До 3× быстрее инференс на последовательностях, близких к 1M токенов - ✅ Полная совместимость с vLLM и SGLang для эффективного развёртывания 📄 Подробности и включение функции — в карточках моделей: https://huggingface.co/Qwen/Qwen3-235B-A22B-Instruct-2507 https://huggingface.co/Qwen/Qwen3-235B-A22B-Thinking-2507 https://huggingface.co/Qwen/Qwen3-30B-A3B-Instruct-2507 https://huggingface.co/Qwen/Qwen3-30B-A3B-Thinking-2507 https://modelscope.cn/models/Qwen/Qwen3-235B-A22B-Instruct-2507 https://modelscope.cn/models/Qwen/Qwen3-235B-A22B-Thinking-2507 https://modelscope.cn/models/Qwen/Qwen3-30B-A3B-Instruct-2507 https://modelscope.cn/models/Qwen/Qwen3-30B-A3B-Thinking-2507 #Qwen #LLM #AI #LongContext

Невероятные достижения Chatgpt-5

🤖 Вот сравнение GPT‑5 и Grok 4: На бенчмарке *Humanity’s Last Exam* модель GPT‑5 с тулзами показывает результат между Grok 4 и Grok 4 Heavy. Другими словами, GPT‑5 с тузами обходит обычную Grok 4, но всё ещё уступает Grok 4 Heavy. Интересно, как они покажут себя на других бенчмарках

🔥 представлен ChatGPT-5 Модель выглядит очень круто, особенно в кодинге! На aime-2025 получила 100 процентов! Альтман заявляет, что модель дадут даже бесплатным пользователям и прямо сегодня. https://openai.com/index/introducing-gpt-5/ Стрим, кстати, смотрят 155 к человек: https://www.youtube.com/watch?v=0Uu_VJeVVfo Пробуем: https://chatgpt.com/ @ai_machinelearning_big_data #Chatgpt5

🧠 GPT‑5 по утечкам (или PR самого OpeAI) набрал 90% на SimpleBench — это уровень человека По слухам, новый бенчмарк от Copilot показывает, что GPT‑5 достигает 90% точности на SimpleBench — наборе из ~200 сложных вопросов с множественным выбором. ❓ Что тестирует SimpleBench: • Пространственно-временное мышление • Социальную логику • Адверсариальные ловушки на здравый смысл 📌 Почему это важно: 90% — это уже уровень человеческого здравого смысла в таких задачах. А ведь модели до этого еле приближались к этим значениям даже с цепочками размышлений. Если слух подтвердится — GPT‑5 не просто умнее. Он начинает понимать контекст как человек.

💾 Awesome-Efficient-LLM — коллекция методов оптимизации больших языковых моделей. Этот репозиторий объединяет последние исследования по ускорению и сжатию LLM: от квантования и sparse-методов до архитектурных оптимизаций. Особенно полезны разделы про speculative inference и mixture-of-experts — ключевые направления для реального развертывания моделей. Проект полезен инженерам, которые хотят внедрить LLM в production с минимальными затратами ресурсов. Все работы отсортированы по дате публикации и области применения. 🤖 GitHub @machinelearning_interview

Лайк, если тоже устали от хайпа вокруг ИИ Нужен ли он бизнесу? Поймете с ML Impact – медиа про реальную пользу технологий в бизнесе от команды Selectel. Собрали понятные материалы без технической воды: - как технологии Edge AI трансформируют бизнес в 2025 году, - как не переплатить за автоматизацию, - как подготовить бизнес к запуску ML-проекта. Переходите и читайте, чтобы внедрить ИИ в бизнес осознанно и без рисков: https://slc.tl/czuon Реклама. АО «Селектел», ИНН 7810962785, ERID: 2VtzqvwetLH