Big Data AI
@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
Показати більше📈 Аналітичний огляд Telegram-каналу Big Data AI
Канал Big Data AI (@bigdatai) у мовному сегменті Російська є активним учасником. На даний момент спільнота об'єднує 18 309 підписників, посідаючи 7 145 місце в категорії Технології та додатки та 35 818 місце у регіоні Росія.
📊 Показники аудиторії та динаміка
З моменту свого створення невідомо, проект продемонстрував стрімке зростання, зібравши аудиторію у 18 309 підписників.
За останніми даними від 16 листопада, 2026, канал демонструє стабільну активність. Хоча за останні 30 днів спостерігається зміна кількості учасників на 78, а за останні 24 години на -8, загальне охоплення залишається високим.
- Статус верифікації: Не верифікований
- Рівень залученості (ER): Середній показник залученості аудиторії становить 8.74%. Протягом перших 24 годин після публікації контент зазвичай збирає 4.35% реакцій від загальної кількості підписників.
- Охоплення публікацій: В середньому кожен допис отримує 1 600 переглядів. Протягом першої доби публікація в середньому набирає 796 переглядів.
- Реакції та взаємодія: Аудиторія активно підтримує контент: середня кількість реакцій на один пост – 14.
- Тематичні інтереси: Контент зосереджений навколо ключових тем, таких як llm, openai, github, nvidia, deepseek.
📝 Опис та контентна політика
Автор описує ресурс як майданчик для висловлення суб'єктивної думки:
“@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”
Завдяки високій частоті оновлень (останні дані отримано 17 листопада, 2026), канал підтримує актуальність та високий рівень охоплення публікацій. Аналітика показує, що аудиторія активно взаємодіє з контентом, що робить його важливою точкою впливу в категорії Технології та додатки.
Завантажуємо дані
| Дата | Залучення підписників | Згадування | Канали | |
| 17 листопада | +2 | |||
| 16 листопада | 0 | |||
| 15 листопада | 0 | |||
| 14 листопада | +3 | |||
| 13 листопада | +2 | |||
| 12 листопада | +1 | |||
| 11 листопада | +3 | |||
| 10 листопада | 0 | |||
| 09 листопада | +2 | |||
| 08 листопада | +1 | |||
| 07 листопада | 0 | |||
| 06 листопада | +2 | |||
| 05 листопада | +3 | |||
| 04 листопада | +4 | |||
| 03 листопада | +1 | |||
| 02 листопада | +2 | |||
| 01 листопада | +2 |
/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.| 2 | 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 | 281 |
| 3 | 🚀️️️️️️ 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 | 778 |
| 4 | Вопрос без ответа | 1 102 |
| 5 | 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/ | 1 074 |
| 6 | 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 | 1 234 |
| 7 | 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 | 1 346 |
| 8 | 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. | 1 298 |
| 9 | ✔️ 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 | 989 |
| 10 | страшно | 1 492 |
| 11 | 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/ | 1 874 |
| 12 | Правда ?) | 1 657 |
| 13 | 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 | 1 710 |
| 14 | Немає тексту... | 1 445 |
| 15 | 🌟 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 | 1 438 |
| 16 | Как поймать Сэма Альтмана | 1 942 |
| 17 | 🐳 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 | 1 577 |
| 18 | 🌟 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 | 1 556 |
| 19 | 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/ | 1 731 |
| 20 | Немає тексту... | 1 614 |
