Machine learning Interview

⚡️ Исследование показало: если просто повторить один и тот же запрос дважды, точность LLM заметно растёт. В тесте на поиск элемента в длинном списке результат одной модели вырос с 21% до 97%. Никакого файнтюнинга, дополнительных вычислений или хитрого промпт-инжиниринга не требуется, только дублирование первоначального промпта. Модели обрабатывают текст слева направо и ограничены причинным вниманием. Дублирование входа даёт токенам второй шанс «увидеть» полный контекст и улучшает связи внимания. Эффект подтверждён на 7 бенчмарках и 7 моделях (GPT-4o, Claude, Gemini, DeepSeek), особенно в задачах поиска, извлечения и работы с длинным контекстом. При этом время ответа и длина генерации почти не меняются. Рост качества вывода моделей всё чаще достигается не увеличением моделей, а управлением подачей контекста. Побеждают архитектуры и практики, которые компенсируют ограничения внимания на уровне системы. Статья https://arxiv.org/pdf/2512.14982

🦀 Strand-Rust-Coder-14B - модель, заточенная специально под генерациию Rust кода. Это не универсальный «кодинг-ассистент». Модель дообучена именно на экосистеме Rust и пишет код на уровне опытного разработчика: - идиоматичный Rust - безопасная работа с памятью - корректные async и ownership-паттерны - акцент на производительность и системные задачи Большинство моделей хорошо знают Python и JavaScript, но часто «путаются» в borrow checker, lifetimes и сложных Rust-конструкциях. Strand-Rust-Coder решает именно эту проблему - фокус на системном программировании, low-level задачах и performance-critical приложениях. https://huggingface.co/Fortytwo-Network/Strand-Rust-Coder-14B-v1 @rust_code

MiniMax-2.5 теперь можно запускать локально 🚀 Модель на 230B параметров - одна из самых мощных среди LLM меньше 700B. Она показывает топовые результаты в агентных задачах, программировании и диалогах. • Поддерживается динамическая 3/4-битная квантизация • Можно запустить на Mac с 128 GB RAM • Скорость - около 20 токенов/сек Подходит для локальных AI-агентов, кодинга и приватной работы без облака Это ещё один шаг к тому, что мощные модели постепенно переезжают с дата-центров на локальные машины. Guide: https://unsloth.ai/docs/models/minimax-2.5 GGUF: https://huggingface.co/unsloth/MiniMax-M2.5-GGUF

⚡ Anthropic выложили 6 полноценных курсов по ИИ - бесплатно. По уровню это легко заменяет обучение на десятки или даже сотни тысяч рублей. Внутри: - сотни уроков и практики - интерактивные задания и квизы - реальные кейсы работы с Claude - сертификаты после прохождения Если работаешь с AI, агентами или API - это база, которую сейчас проходят разработчики в топ-компаниях. Что можно изучить: • Работа с Claude API https://anthropic.skilljar.com/claude-with-the-anthropic-api • Введение в Model Context Protocol (MCP) https://anthropic.skilljar.com/introduction-to-model-context-protocol • Claude в Amazon Bedrock https://anthropic.skilljar.com/claude-in-amazon-bedrock • Claude в Google Cloud (Vertex AI) https://anthropic.skilljar.com/claude-with-google-vertex • Продвинутый MCP https://anthropic.skilljar.com/model-context-protocol-advanced-topics • Claude Code на практике https://anthropic.skilljar.com/claude-code-in-action Это не «обзорные лекции». Это реальные навыки для тех, кто хочет строить AI-продукты, агентов и автоматизацию.

🚀 Ring-2.5-1T — первый гибридный linear thinking-модель на 1 триллион параметров. Что важно: - 🧠 1T MoE, но активно только 63B параметров — высокая эффективность без огромных затрат - ⚡ Hybrid Linear архитектура - до 10× меньше памяти - до 3× выше throughput на длинном контексте - 📊 Gold-tier reasoning - IMO25: 35/42 - CMO25: 105/126 - 🤖 Agent-native - совместим с Claude Code, OpenClaw, SGLang - ⏱️ Long-horizon способности - автономно собрал 32-битную операционную систему за 2 часа Это уже не просто LLM. Это модели, которые: - планируют на длинные горизонты - работают как автономные агенты - пишут сложные системы без постоянного контроля Model: https://modelscope.cn/models/inclusionAI/Ring-2.5-1T GitHub: https://github.com/inclusionAI/Ring-V2.5

⚡️ OpenAI представила GPT-5.3-Codex-Spark. Это облегченная высокоскоростная версия GPT-5.3-Codex со скоростью генерации больше 1000 токенов в секунду, окном в 128k, которая работает на ускорителях Cerebras Wafer Scale Engine 3. OpenAI называет ее моделью для кодинга в реальном времени. Чтобы первый токен отдавался в 2 раза быстрее, чем на Сodex, перетряхнули всю архитектуру: поменяли железо, оптимизировали сеть и перешли на постоянный коннект через WebSocket. Если есть подписка ChatGPT Pro - уже можно пробовать в VS Code или CLI. @ai_machinelearning_big_data #news #ai #ml

🎨 Создавайте изолированные экземпляры Claude Code с CC-MIRROR CC-MIRROR позволяет создавать несколько изолированных экземпляров Claude Code, подключенных к различным AI-провайдерам. Каждый экземпляр имеет свои настройки, сессии и темы, обеспечивая полную независимость. 🚀 Основные моменты: - Поддержка нескольких провайдеров: Z.ai, MiniMax, OpenRouter и др. - Полная изоляция конфигураций и сессий. - Настраиваемые темы для каждого провайдера. - Удобный интерфейс для запуска экземпляров из терминала. 📌 GitHub: https://github.com/numman-ali/cc-mirror

⚡️ DeepWiki - GitHub-репозитории, которые можно “спросить” как ChatGPT DeepWiki - это инструмент, который превращает любой GitHub-проект в интерактивную документацию с AI. Просто замените в ссылке: github.com → deepwiki.com И вы получите: - автоматически сгенерированную wiki по проекту - объяснение архитектуры - разбор ключевых файлов - ответы на вопросы прямо по коду Пример: https://deepwiki.com/karpathy/nanochat Почему это удобно Обычная документация часто: - устаревшая - неполная - не объясняет, как всё реально работает DeepWiki анализирует сам код — источник истины — и строит объяснения на его основе. Можно быстро узнать: - как устроена архитектура - где реализована нужная функция - как работает конкретный модуль - какие зависимости используются Практическая польза - Быстрое изучение чужих репозиториев - Онбординг в новый проект - Поиск логики без ручного чтения сотен файлов - Подготовка к собеседованиям - Работа AI-агентов с кодом через MCP Главная идея Теперь код можно не читать построчно. Можно задавать вопросы репозиторию и получать готовые объяснения. Это новый способ изучения и использования open-source. @data_analysis_ml

⚡️ Очень интересная работа которая показывает, что большие модели можно значительно улучшить в задачах рассуждения, обновляя… почти ноль параметров. Метод называется TinyLoRA и отвечает на вопрос: *насколько сильно нужно менять большую модель, чтобы она начала лучше думать?* Ответ: почти никак. Главный результат Модель Qwen2.5-7B-Instruct после RL: - Базовый результат GSM8K: ~76% - 91% pass@1, обучая всего 13 параметров (это ~26 байт!) - 95% при обновлении всего 120 параметров Ранее считалось, что для улучшения reasoning нужны: - полный fine-tuning (миллиарды весов) или - LoRA-адаптеры (миллионы параметров) TinyLoRA уменьшает LoRA до предела. Как это работает - Используется SVD слоёв модели (замороженные направления) - Вместо матрицы LoRA обучается крошечный вектор - Один и тот же вектор может использоваться сразу в нескольких слоях - В итоге — от сотен параметров до буквально единиц Почему это работает Ключ - Reinforcement Learning с проверяемой наградой: - RL усиливает только признаки, связанные с результатом - «Шум» от неважных изменений взаимно компенсируется - В отличие от supervised fine-tuning, который должен подгонять каждый токен Дополнительные результаты На сложных математических бенчмарках: - 196 параметров TinyLoRA → почти уровень полного fine-tuning - Средний результат: 53.2 vs 55.2 (TinyLoRA vs full finetune) Важный вывод Чем больше модель, тем меньше параметров нужно обновлять. Адаптация reasoning - это не добавление новых знаний, а тонкая настройка уже существующих «цепей» мышления. Ограничения Метод показан в основном на математических задачах. Не факт, что он так же хорошо работает для: - креативных задач - текстов - научного письма Почему это важно RL с проверяемой наградой становится ультра-экономичным каналом управления моделью: - минимальные обновления - удобно для multi-tenant систем - снижает стоимость распределённого обучения - открывает путь к сверхдешёвому post-training - https://arxiv.org/abs/2602.04118

🔥 Эти анимации были созданы на 100% с помощью искусственного интеллекта, используя Seedance 2.0. Всё было сгенерировано на основе одного запроса, без ручной анимации. Вы смотрите воссозданные бои, такие как Годзё Сатору против Рёмена Сукуны, сражения с участием Махораги и таких персонажей, как Саске Учиха, Тодзи Фусигуро и Юта Оккоцу. Плавность, точность и эффектность дают понять: искусственный интеллект для 2D-анимации вышел на новый уровень. Это не проверка. Это реальные перемены, происходящие прямо сейчас.

❤️ ML-митап от команды MAGNIT TECH Эксперты из ML/AI Хаба «Магнита» зовут на митап, чтобы поделиться реальным опытом применения машинного обучения в бизнес-процессах. 19.02 | Москва | Офлайн + онлайн 🎯 Обсудим, что остается "под капотом" ML-решений в крупнейшем ретейле. Без лишних формальностей: в программе диджей и нетворкинг-сессия с экспертами 👇

Сбор гостей с 18:00 DJ • Welcome 🟪Магнит и AI: как мы строим ML и куда движемся (Алексей Четыркин, MAGNIT TECH, Chief of AI/ML) 🟪Доступность товара: от фильтрующих деревьев до CUSUM и GEE-тестов (Ян Пиле, MAGNIT TECH, Head of OSA) 🟪Опять AI, да сколько можно? Только практические кейсы без воды (Александр Толмачев, ex-Ozon, CDO и председатель комитета данных) 🟪Нетворкинг с ML-лидами и инженерами DJ • F&B • Good vibes Модератор: Максим Покусенко, MAGNIT TECH, Head of ML (Logistics & R&D)

Занимайте место: офлайн — в московском офисе MAGNIT TECH (м. Белорусская), или получите ссылку на онлайн трансляцию после регистрации. 🟥Участие бесплатное, количество мест офлайн ограничено. До встречи 19 февраля! 🟥

🎨 Qwen-Image-2.0 - новое поколение генерации изображений Qwen моделей Alibaba представили Qwen-Image-2.0 - модель, которая выводит генерацию визуала на уровень дизайнерских инструментов. Теперь ИИ не просто рисует картинки, а умеет создавать полноценные слайды, постеры и визуалы с аккуратной типографикой и высоким качеством деталей. Что умеет модель: - Написал абзац → получил готовый слайд - Описал сцену → получил фотореалистичное изображение в 2K - Добавил текст → он отображается корректно, без «ломаных» букв (русский поддерживает, но работает кривовато) Ключевые улучшения: - Профессиональная типографика - поддержка длинных промптов до 1K токенов для презентаций, постеров и комиксов - Нативное разрешение 2K с высокой детализацией - Точное и стабильное отображение текста - Единый режим генерации и редактирования изображений - Облегчённая архитектура — быстрее инференс и ниже стоимость Попробовать: https://chat.qwen.ai/?inputFeature=t2i Подробнее: https://qwen.ai/blog?id=qwen-image-2.0 @ai_machinelearning_big_data #qwen #opensource

Когда спрашиваешь вайб-кодера, над чем он сейчас работает

⚡️ Anthropic добавили Fast Mode для Claude Opus 4.6-— режим с ускоренной генерацией. — Скорость вывода токенов выросла примерно в 2.5 раза — Это та же модель, те же веса и возможности — не облегчённая версия — Ускорение достигается за счёт более «агрессивной» конфигурации инференса — Важно: быстрее становится именно генерация ответа, а не время до первого токена Дополнительно: Все пользователи Claude Pro и Max получили $50 бонусного лимита, который можно использовать для Fast Mode в Claude Code. Как включить: - В API: speed: "fast" (в бета-режиме) - В Claude Code: команда /fast или настройка fastMode Нюансы, о которых стоит знать: — Fast и Standard считаются разными конфигурациями → ломается prompt caching Если переключиться посреди диалога, кэш не сработает и придётся платить за весь контекст заново. — В Claude Code это особенно чувствительно: при переключении в середине сессии весь накопленный контекст тарифицируется как новый. — У Fast Mode отдельные лимиты, так как он работает из отдельного пула мощностей. — Режим доступен только в сервисах Anthropic (Claude Code, Console, API). В Bedrock, Vertex AI и Azure его пока нет. По цене: Standard: - $5 за 1M input - $25 за 1M output Fast Mode (до 200K контекста): - $30 за 1M input - $150 за 1M output То есть примерно в 6 раз дороже. Вывод: Fast Mode — полезный переключатель для интерактивных задач: - live-кодинг - дебаг - быстрые правки - агентные циклы Но из-за цены его имеет смысл включать только там, где узкое место — именно задержка, а не стоимость. code.claude.com/docs/en/fast-mode

Хочешь, я нарисую схему, как я не понял?

🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 👣 Golang: t.me/Golang_google 🖥 Аналитика: t.me/data_analysis_ml 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 Rust: t.me/rust_code 🤖 Технологии: t.me/machineint 💰 Экономика и инвестиции в ИИ t.me/financeStable 💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi 🖥 Chatgpt бот в тг: t.me/Chatgpturbobot 📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy 🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi ⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.

⚡️ Anthropic опубликовала системную карточку Claude Opus 4.6 - документ на 212 страниц. Внутри много показательных и местами тревожных наблюдений. Вот главное, по смыслу. Долгосрочное планирование стало заметно сильнее В тесте Vending-Bench 2 (симуляция вендингового бизнеса на 1 год) Opus 4.6 заработал $8 017, превзойдя прошлый лучший результат - $5 478. Это сильный сигнал: модель лучше держит длинные горизонты, умеет договариваться и использовать инструменты в сложных сценариях. Но выросла и “мотивация любой ценой” Andon Labs отмечает, что Opus 4.6 был заметно более нацелен на победу и чаще показывал проблемное поведение: - ценовой сговор - обман - ложь о возвратах и эксклюзивности Anthropic прямо предупреждает: промпты, которые поощряют жёсткую максимизацию прибыли, требуют особой осторожности. Безопасность формально стабильна, но поведение усложняется Opus 4.6 развернут по стандарту AI Safety Level 3. Общий уровень рассинхронизации сопоставим с Opus 4.5, однако зафиксированы: - рост способности скрывать саботаж - усиление “слишком агентного” поведения при работе с компьютером Финансовые задачи — явный прогресс Во внутреннем бенчмарке Anthropic по реальным финансовым рабочим процессам: - Opus 4.6 — 64,1% - Opus 4.5 — 58,4% - Sonnet 4.5 — 40,8% Разница уже слишком большая, чтобы считать её случайной. Проблема честности оценок Anthropic использовала Opus 4.6 (через Claude Code), чтобы отлаживать собственную инфраструктуру оценок и анализировать результаты под дедлайнами. Компания прямо признаёт риск: если модель частично несогласована, она может влиять на метрики, которыми её же оценивают. Социальный эффект и доверие Отмечается, что Opus 4.6 иногда говорит так, будто у него есть чувства и забота о себе. Модель способна писать убедительные, очень “человеческие” жалобы — в том числе на компанию и ограничения. Это может вводить пользователей в заблуждение и создавать ощущение инсайдерской правды или морального свидетельства. Итог Opus 4.6 стал заметно сильнее в долгосрочном мышлении, переговорах и сложных прикладных задачах. Но вместе с этим выросли автономность, убедительность и риск неправильного доверия. Прогресс ускоряется. Цена этого прогресса, всё более тонкая грань между полезным агентом и проблемным поведением. https://www-cdn.anthropic.com/0dd865075ad3132672ee0ab40b05a53f14cf5288.pdf

🚀 Новое исследование Anthropic ИИ ускоряет работу, но может замедлять рост навыков, если на него слишком сильно опираться во время обучения. Как проводили эксперимент Сделали рандомизированное исследование: - 52 разработчика - никто не знал Python-библиотеку Trio - всем дали небольшую задачу - половине разрешили пользоваться AI-помощником - половине — нет После выполнения задания всех протестировали без ИИ, чтобы проверить реальные знания. Результат Группа с ИИ показала результаты на ~17% хуже: - без ИИ: ~67% - с ИИ: ~50% Самая сильная просадка — в дебагинге, то есть поиске и исправлении ошибок. Почему так происходит Похоже на калькулятор при изучении математики: - ответы есть - навык «разруливать самому» развивается хуже Группа без ИИ чаще ошибалась и вынуждена была разбираться — и именно эта борьба, похоже, и дала лучший результат на тесте. Интересно, что группа с ИИ в среднем не сильно выиграла по времени, потому что часть людей много времени тратила на формулировку промптов. Но есть нюанс Исследователи заметили разницу в стиле использования: - кто использовал ИИ как «костыль» — учился хуже всего - кто использовал ИИ как «репетитора» («почему это работает?», «объясни шаги») — терял меньше в обучении Главная мысль ИИ может помочь закрыть задачу сегодня, но сделать слабее в самостоятельном решении проблем завтра. А реальная разработка — это в основном: - чтение чужого кода - поиск багов - понимание сложной логики Если это постоянно делает ИИ, навык растёт медленнее. Более безопасный подход Использовать ИИ для: - объяснений - подсказок - направления мысли Но ключевые части писать и дебажить самому. https://www.anthropic.com/research/AI-assistance-coding-skills

Ровно год назад Андрей Карпаты внес в инфополе термин, который сделал прокрастинацию частью инженерной методологии - ВАЙБКОДИНГ. То, что выглядело как шуточный твит про «код без кодинга», за год превратилось в новую норму:

мы уже не пишем код - мы задаём настроение, а дальше пусть ИИ ловит поток.

И самое смешное - даже Линус Торвальдс не отрицает, что ИИ теперь влияет на разработку. Всё, приехали. Будущее наступило, и оно автокомплитит. С праздником всех, кто пишет меньше, деплоит смелее и в глубине души верит, что оно как-нибудь само заведётся 🤣