Big Data AI

Nanbeige4.3-33B – открытая модель с контекстом 512K и акцентом на работу ИИ-агентов. Это плотная модель на 33 млрд параметров, предназначенная для программирования, вызова инструментов и выполнения многошаговых рабочих задач. В сравнении команды с Qwen3.8-27B: - Terminal-Bench 2.1: 80,9 против 73,0. - DeepSWE: 65,5 против 42,5. - Automation Bench: 54,2 против 38,3. - JobBench: 44,8 против 34,5. Модель лидирует в большинстве тестов опубликованного сравнения, хотя на SWE-Bench Pro и GDPval уступает Qwen. Все результаты приведены разработчиками. Можно переключать режимы с рассуждениями и без них, а также сохранять предыдущие рассуждения в контексте многошаговой работы. Для вызова инструментов поддерживаются XML и JSON. Nanbeige4.3-33B также станет учителем для будущих компактных моделей, начиная с Nanbeige4.3-3B. Лицензия – Apache 2.0. Доступен запуск через Transformers, SGLang и vLLM. https://huggingface.co/Nanbeige/Nanbeige4.3-33B

Если энтропия всегда растёт, почему молекулы могут вернуться туда, откуда начали? В 1896 году молодой математик Эрнст Цермело поставил перед Людвигом Больцманом неудобный вопрос. Он использовал теорему возвращения Пуанкаре: при определённых условиях ограниченная механическая система почти для любого начального состояния рано или поздно вернётся сколь угодно близко к нему. Представьте газ, первоначально собранный в одной половине закрытого сосуда. После удаления перегородки он заполнит весь объём. Но теорема допускает почти полное возвращение к исходному состоянию. Как это совместить с необратимым ростом энтропии? Больцман не отвергал математику. Его ответ опирался на вероятность: для обычного газа подобного возвращения пришлось бы ждать немыслимо долго. Равновесию соответствует колоссально больше микроскопических состояний, чем газу, собравшемуся в углу. Поэтому движение к равновесию подавляюще вероятно, а обратный процесс практически ненаблюдаем. Спор помог прояснить статистическую природу второго начала термодинамики: макроскопическое уменьшение энтропии чрезвычайно маловероятно, но не запрещено самими законами механики. https://plato.stanford.edu/entries/statphys-statmech/

Что делать с данными? 💬 Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах; ⬜️предсказывать поведение пользователей; ⬜️строить рекомендательные системы; ⬜️обучать и улучшать ML-модели; ⬜️создавать продукты и помогать бизнесу расти.

В Школе аналитиков данных МТС учатся решать такие задачи на практике. В программе — SQL и Python, математика и статистика, анализ данных, машинное обучение и большие данные, а также нейросети и рекомендательные системы. Занятия ведут действующие эксперты Центра BigData MWS. Теория чередуется с практикой, а преподаватели дают обратную связь по работам и помогают отслеживать прогресс. Это будет интересно:

➡️студентам последних курсов и выпускникам технических вузов ➡️алитикам данных, которые хотят погружаться в исследования ➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Обучение продлится 10 месяцев и будет полностью бесплатным. ⚡️ Сейчас — последний шанс подать заявку, так как прием закрывается 25 октября. Для поступления кандидатам предстоит заполнить анкету, написать мотивационное письмо и пройти отборочное тестирование. Отправить заявку ↗️

Вопрос с собеседования по ML: зачем делить на корень из d в attention? Разбор популярного вопроса на собеседованиях по машинному обучению: почему в attention скалярное произведение делят на корень из d. Показываем на реальных расчётах, как без этого softmax насыщается, а градиенты пропадают. Сохрани, чтобы не завалить на интервью. https://www.youtube.com/shorts/sbkDkGJU1ww

Gemini 4 Argon объединила три открытых набора данных и создала интерактивную 3D-визуализацию анатомии человека. Можно переключать анатомические слои прямо во время анимации, рассматривать отдельные мышцы или заглянуть внутрь бьющегося сердца.

Сколько стоит разделить рекомендательный пайплайн на стримы Разделить большой пайплайн на независимые стримы — не значит бесплатно упростить разработку. У такого подхода есть цена: отдельные структуры приходится создавать для каждого стрима, а часть операций выполняется последовательно. В AI VK решили эту проблему двумя оптимизациями: повторно используют компоненты пайплайна между запросами и стримами, а вычисленные признаки — переиспользуют между стримами в рамках одного запроса. В результате переход не привёл к заметному росту потребления ресурсов.  Как устроена эта архитектура и что она меняет в работе команд — читайте в статье.

Ornith-1.5-122B — открытая MoE-модель для программирования и ИИ-агентов с обучением на самостоятельно созданных задачах. В процессе обучения система генерирует задания, подбирает стратегии решения и улучшает модель через reinforcement learning. Цикл охватывает и сами задачи, и организацию работы агента, и его попытки решения. Результаты по оценке разработчиков: - 84,5% — SWE-bench Verified. - 76,9% — SWE-bench Pro. - 81,2% — TerminalBench 2.1. - 48% — Humanity’s Last Exam с инструментами. Контекст — 262 тыс. токенов, с расширением через YaRN — примерно до 1 млн. Поддерживаются вызовы инструментов, запуск через vLLM и SGLang и подключение к агентам через OpenAI-совместимый API. Веса доступны под лицензией MIT. Основной акцент — работа с большими кодовыми базами и выполнение многошаговых задач. https://huggingface.co/ornith-ai/Ornith-1.5-122B

Виртуальных агентов обсудят на митапе «Русское техно 2» от MWS 23 октября. ⚡ Успейте зарегистрироваться. В программе доклады и дискуссии по темам: — Как построить control plane для персональных ИИ-агентов на Kubernetes. — Как построить агентный производственный процесс в связке с Harness. — Подходы к управлению командами с ИИ-агентами. Как меняются метпроцессы внутри команды? — Когда ИИ-агент становится экономически оправданным. А также участников ждет битва промптов и нетворкинг. Когда: 23 октября Формат: офлайн в Москве и онлайн Зарегистрироваться

DeepSeek открыла исходный код DeepInfer - собственного движка для запуска ИИ-моделей. Именно он обеспечивает работу DeepSeek-V4.1-Flash с высокой производительностью и минимальными задержками. Главное: - Ускорение инференса - больше запросов за меньшее время. - Эффективное использование GPU - снижение затрат на вычисления. - Параллельная обработка - высокая пропускная способность при больших нагрузках. - Снижение стоимости ИИ - меньше ресурсов на генерацию каждого ответа. DeepInfer опубликован под лицензией Apache 2.0. Разработчики смогут использовать технологии DeepSeek в собственных проектах. GitHub: https://github.com/deepseek-ai/DeepInfer

One Day Offer: стань щитом для миллионов клиентов! 🔥 В департамент противодействия мошенничеству Сбера нужен аналитик данных в антифрод — чтобы разбирать тренды мошенничества, находить скрытые паттерны и превращать их в правила защиты. Готов к таким задачам — добро пожаловать на One Day Offer: отбор за один день, разбор реальных кейсов, быстрая обратная связь. 24 октября, онлайн, регистрация и подробности — здесь!

⚡️ Тибо Соттьё возглавил сентябрьский рейтинг посещаемости в X Аккаунт Тибо, который отвечает в OpenAI за ChatGPT, Codex и API, в сентябре собрал наибольшую долю трафика среди аккаунтов X. Такие данные приводит рейтинг Similarweb. Второе место занял спортивный журналист Фабрицио Романо, с новостями о футбольных трансферах, третье – Илон Маск.

В августе Тибо был вторым, а в июле – четвёртым.

Рост популярности связан с тем, что пользователи следят за анонсами о сбросе лимитов. По статистике Х, за год Тибо опубликовал 83 таких объявления, из них 60 - про полные сбросы. Поклонники завели сайты, которые отслеживают сбросы, а сам Соттьё пишет, что люди уже останавливают его на улице и просят обнулить лимиты. Similarweb в таких рейтингах считает долю веб-трафика соцсети, которая приходится на страницу аккаунта, без учёта приложения X. Поэтому рейтинг показывает, как часто открывают профиль, а не охват публикаций или число подписчиков. В июле у Соттьё их было около 250 тысяч (сейчас 893), у Маска - 240 миллионов. https://x.com/Similarweb/status/2105254978411454973 @ai_machinelearning_big_data #news #ai #ml

🔎 RAG нашёл документы. Но следует ли ответ из этих документов? На Hugging Face опубликован Jev-RAG-Claim-Verification-130K: датасет для исследования галлюцинаций и проверки того, подтверждаются ли утверждения предоставленным контекстом. Внутри 130 тысяч проверок, построенных на 12 118 ответах из RAGTruth. Для каждой сохранены исходная разметка и отдельное предсказание проверяющей модели jev-1.13.0. 21 181 расхождение между моделью и разметкой. В 1 265 категориальных проверках модель сообщала уверенность не ниже 90%, но её решение расходилось с эталоном. Готовый материал для разбора уверенных ошибок, хотя само расхождение ещё не доказывает ошибку модели. https://huggingface.co/datasets/MaziyarPanahi/Jev-RAG-Claim-Verification-130K

Синтетика для агентов: зачем нужен симулятор мира Исследовательница Юхань Ло (Yuhan Luo) опубликовала эссе с говорящим названием «Мы думаем о синтетических данных слишком узко». Её тезис: синтетика давно перестала быть задачей «прогнать модель по шаблонам и получить побольше примеров». Когда мы обучаем агентов вести целые рабочие процессы, генератор данных превращается в отдельную исследовательскую систему со своими задачами, средами, проверяющими и людьми в контуре. Разбираем главные идеи и показываем, как одна из них выглядит в коде. https://uproger.com/sinteticheskie-dannye-dlya-agentov/

Ник Матсакис предлагает для Rust северную звезду эпохи ИИ-агентов: ноль unsafe-кода Один из ключевых людей в дизайне Rust опубликовал текст о том, что кодинг-агенты значат для языка. Это письменная версия доклада на REBASE в рамках SPLASH. Сам автор называет содержимое «недопечёнными идеями», так что это видение, а не предложение новых фич. Выводы такие: люди в программировании всё ещё нужны, дизайн языков по-прежнему важен, а Rust хорошо подходит для агентной разработки и может подойти ещё лучше. По производительности аргумент простой. Хорошие значения по умолчанию плюс явные ручки для тонкой настройки. По словам автора, люди, которые раньше вручную оптимизировали криптографический код, теперь обращаются к агентам. Вместе с профайлером вроде dial9 получается цикл: бенчмарк, профиль, агент предлагает правку, PR в репозитории. С надёжностью сложнее. Типы удерживают агента в рамках, но тесты показывают наличие багов, а не их отсутствие, и типы гарантируют лишь отсутствие определённых классов ошибок, а не корректность результата. Тут нужны доказательства. Для Rust уже есть Verus, Creusot, Aeneas и Kani. При этом типы продолжают играть роль, потому что делают доказательства дешевле. &mut даёт гарантию уникальности, и Verus опирается на borrow checker именно ради этого, чтобы солверу было проще. Куда, по мнению Матсакиса, стоит двигаться: более выразительная система типов (view types, внутренние ссылки, даже проверка вроде «в лог не попадают персональные данные»), расширяемый компилятор, чтобы инструменты доказательств не жили на костылях из макросов и привязке к конкретным версиям компилятора, и поддержка доказательства корректности unsafe-кода. Северная звезда: больше никакого unsafe. Это не значит убрать ключевое слово. Это значит уметь доказать, что весь unsafe-код корректен и не приводит к неопределённому поведению. Главной открытой проблемой автор называет дизайн, то есть решение о том, что вообще строить. Ставка на специализированные языки дизайна, которые превращают высокоуровневое намерение в проверки типов, линты или теоремы. Для контекста Матсакис цитирует Дэвида Толная: инженеры Meta в этом году написали первосторонний Rust-кода вдвое больше, чем за предыдущие девять лет вместе взятые. Блог: https://smallcultfollowing.com/babysteps/blog Источник: https://smallcultfollowing.com/babysteps/blog

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_ci Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

🧪 Sakana AI собрала команду ИИ-агентов для научных исследований The Agentic Scientist объединяет агентов вроде Codex и Claude Code в полный исследовательский цикл: гипотезы, планирование, эксперименты, проверка результатов и написание статьи. Главная идея: рост метрики ещё нужно объяснить. Система заранее задаёт критерии проверки и связывает утверждения в статье с экспериментальными данными. В совместной работе человек ставит вопрос, направляет исследование и проверяет выводы. Агенты предлагают гипотезы, проводят эксперименты и оформляют результаты. Одну работу, подготовленную с помощью системы, уже приняли на ALIFE 2026. Авторы делают ставку на совместные открытия человека и ИИ. https://arxiv.org/abs/2610.18933

Компании выросли из вайбкодинга — куда двигаемся дальше? Год назад вайбкодинг обсуждали на каждом митапе. Сегодня так пишут код почти все, но быстрая генерация кода ещё не означает быстрый и качественный релиз. Если процессы в команде остались прежними, использование ИИ не даёт ощутимых результатов. Тогда в чём польза для бизнеса? Чётких ответов на рынке пока немного. 27 ноября red_mad_robot делают ивент Робоцех, где соберутся практики ИИ из крупных компаний, которые уже встроили ИИ в разработку и получили результат. Они расскажут, какие решения прижились в продакшене, сколько времени ушло на внедрение и где нейросети пока не оправдали ожиданий.  Послушать мало, поэтому в программу добавили ещё два воркшопа. На них участники своими руками соберут систему командной работы с ИИ-агентами и пройдут путь от задачи до работающего приложения. ↗️27 ноября, 11:00, Москва, Инженерный амфитеатр ДКС ↗️Доклады можно смотреть онлайн, воркшопы проходят только очно ↗️Билеты еще в продаже: upgrade.redmadrobot.com 

По данным FT, Netflix сократит примерно 6% глобального штата,крупнейшие увольнения с 2022 года Больше всего пострадают команды продукта, технологий, юристов и HR. В компании пишут, что нужно «дисциплинированно подходить к тому, куда направлять людей и ресурсы». При этом бизнес они называют сильным и растущим и говорят, что идут по плану на полный год. То есть это оптимизация на фоне хороших показателей, а не реакция на кризис. Крупные технологические компании продолжают перераспределять штат даже в растущем бизнесе, а вспомогательные функции и часть техкоманд попадают под нож первыми. Причины сокращений в сообщении компании не раскрываются. Источник: https://www.ft.com/content/5f1b2f31-2067-4c3a-8093-54210a7c0e72