ИИ в горах | обучение машинному обучению

Проект сильно переработан, так что советую оценить новую версию, так же он будет активно развиваться. А скоро (до среды) здесь появится информация о старте курса по агентным системам!

Состоялся релиз обновления экосистемы MAESTRO! Всем привет! Мы выпустили MAESTRO: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов с помощью. Теперь MAESTRO превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам. CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше. Что это меняет на практике? - Каждый шаг исполнения виден, а код исполняется в изолированной среде. - Production-цепочка фиксируется под стабильным идентификатором. - Лучшие версии отбираются по измеримым метрикам. - Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре. Из чего состоит MAESTRO? - Модуль MAGE собирает переиспользуемую агентную цепочку по текстовому запросу. - Библиотека CARL задаёт единый формат описания цепочки. - Модуль GigaEvo Memory хранит цепочки, версии и историю изменений. - Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам. Как запустить? Достаточно иметь pip или uv, чтобы установить решение локально: uvx maestro-install maestro Вам потребуется: - ключ API одного из веб-поисков (Tavily / Brave / SerpAPI), - ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter) - установленный Docker (для локального размещения модулей памяти и эволюции) Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6 MAESTRO также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации. Страница проекта: https://airi-maestro.github.io/care-page Документация: https://airi-maestro.github.io/care-docs/ru/

А вот и окончательно

Обновленная GPT‑5.5‑Cyber обошла Mythos на поиске уязвимостей в коде openai.com/index/daybreak-securing-the-world/ OpenAI объявили, что выводят модель из превью, и теперь партнерам и отдельным кибербезопасникам будет доступна полная версия GPT-5.5-Cyber. На CyberGym – основном крупном бенче по работе с уязвимостями – модель набрала 85.6%. Mythos на нем же набирает 83.8%. Самое интересное, что в списке партнеров, которым предоставляется модель, фигурируют не только американские компании. Наверное, правительство США должно это ограничить, как и в случае с Anthropic. Правда? Правда же?…

За обновлениями экосистемы MAESTRO и GigaEvo можно следить в нашем чате: t.me/maestrogigaevo @mountainai_info | сайт

В связи с этим релизом уже в следующий понедельник начнется интенсив на 2 недели по созданию агентов с нуля, где изучи как теорию, так и современные фреймворки для создания production-ready агентов, которые используются в больших компаниях @mountainai_info | сайт

А вот и сам интерфейс, всем советую перейти на лендинг, там будет много всего интересного)

Состоялся релиз бета-версии MAESTRO CARE! Всем привет! Мы выпустили MAESTRO CARE: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов. MAESTRO CARE превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам. CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше. Что это меняет на практике? - Агент перестаёт быть одноразовым ответом модели. - Каждый шаг исполнения виден, а код исполняется в изолированной среде. - Production-цепочка фиксируется под стабильным идентификатором. - Лучшие версии отбираются по измеримым метрикам. - Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре. Из чего состоит MAESTRO CARE? - Модуль MAGE собирает агентную цепочку по текстовому запросу. - Библиотека CARL задаёт единый формат описания цепочки. - Модуль GigaEvo Memory хранит цепочки, версии и историю изменений. - Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам. Как запустить? Достаточно иметь pip или uv, чтобы установить решение локально: uvx care-install care Вам потребуется: - ключ API одного из веб-поисков (Tavily / Brave / SerpAPI), - ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter) - установленный Docker (для локального размещения модулей памяти и эволюции) Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6 MAESTRO CARE также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации. Страница проекта: https://airi-maestro.github.io/care-page Документация: https://airi-maestro.github.io/care-docs/ru/ Будем рады обратной связи, примерам задач и сценариям, на которых можно проверить MAESTRO CARE и CARL в реальных рабочих процессах! Ссылка на форму обратной связи: https://forms.yandex.ru/u/6a35070002848f66d7bf3d27/

Состоялся релиз бета-версии MAESTRO CARE! Всем привет! Мы выпустили MAESTRO CARE: open-source экосистему AIRI для создания, запуска, версионирования и улучшения AI-агентов. MAESTRO CARE превращает текстовый запрос в исполняемую агентную цепочку действий в формате CARL. Такую цепочку можно проверить, сохранить, повторно запустить, сравнить с другими версиями и улучшать по метрикам. CARL - открытый формат описания агентных цепочек рассуждений и действий, он является одним из ключевых продуктов экосистемы MAESTRO. Он превращает агентную логику из набора промптов и скриптов в понятную структуру: с шагами, инструментами, зависимостями, контекстом выполнения и ожидаемым результатом Благодаря формату CARL цепочку можно не только запустить, но и сохранить, проверить, передать другой команде, сравнить с новой версией и развивать дальше. Что это меняет на практике? - Агент перестаёт быть одноразовым ответом модели. - Каждый шаг исполнения виден, а код исполняется в изолированной среде. - Production-цепочка фиксируется под стабильным идентификатором. - Лучшие версии отбираются по измеримым метрикам. - Генерация, исполнение, хранение и улучшение цепочек объединены в одном контуре. Из чего состоит MAESTRO CARE? - Модуль MAGE собирает агентную цепочку по текстовому запросу. - Библиотека CARL задаёт единый формат описания цепочки. - Модуль GigaEvo Memory хранит цепочки, версии и историю изменений. - Модуль GigaEvo Platform отвечает за отбор и улучшение цепочек по метрикам. Как запустить? Достаточно иметь pip или uv, чтобы установить решение локально: uvx care-install care Вам потребуется: - ключ API одного из веб-поисков (Tavily / Brave / SerpAPI), - ключ, адрес и название модели LLM-провайдера (любой OpenAI-like - например, OpenRouter) - установленный Docker (для локального размещения модулей памяти и эволюции) Важно! Лучше использовать сильные модели, поскольку качество модели влияет напрямую на качество работы любой агентной системы. Рекомендуемые модели: Qwen3-Coder / GLM-5.2 / Kimi 2.6 MAESTRO CARE также можно подключить как навык к Claude Code, Codex, Hermes или OpenClaw, чтобы делегировать ему сборку и запуск агентных цепочек из привычной среды. Подробнее - в документации. Страница проекта: https://airi-maestro.github.io/care-page Документация: https://airi-maestro.github.io/care-docs/ru/ Будем рады обратной связи, примерам задач и сценариям, на которых можно проверить MAESTRO CARE и CARL в реальных рабочих процессах! Ссылка на форму обратной связи: https://forms.yandex.ru/u/6a35070002848f66d7bf3d27/

Его зовут Maestric, а релиз уже состоялся сегодня)

Новости ожидаются уже сегодня! А вообще его имя начинается на Maes***

Скоро будут новости, не просто так я пропал, сейчас готовим один проект, вот небольшой спойлер

dgh

🐟 Sakana AI выкатили DiffusionBlocks - способ обучать нейросеть по одному блоку за раз, не держа в памяти всю модель целиком. Работу приняли на ICLR 2026. При обычном обучении градиенты проходят через весь граф, а память под активации растёт вместе с глубиной модели. DiffusionBlocks предлагает разрезать сеть на отдельные блоки и обучать каждый независимо. Каждому блоку дают свою локальную задачу: сдвинуть представление чуть ближе к целевому состоянию, чем это сделал предыдущий блок. Формально это похоже на один шаг диффузионного процесса, поэтому каждый блок оптимизирует собственный лосс и не зависит от соседних блоков. Главный плюс - память. Для тренировки нужна память под один блок, а не под всю сеть целиком. Авторы проверили подход на разных архитектурах: - ViT - DiT - masked diffusion - авторегрессионные трансформеры - recurrent-depth / Looped-трансформеры По качеству результаты сопоставимы со сквозным обучением, но с куда меньшими требованиями к памяти. В Looped-трансформерами один и тот же блок прогоняется много раз подряд, как будто модель «думает» несколькими итерациями. Обычно для обучения приходится разворачивать весь этот процесс через BPTT, из-за чего память и вычисления быстро дорожают Это ещё один аргумент в пользу идеи, что диффузия - не только про генерацию картинок, а более универсальная рамка для обучения моделей. Если модель упирается в VRAM из-за глубины, DiffusionBlocks выглядит как подход, за которым стоит следить. Пейпер: arxiv.org/abs/2506.14202 Код: github.com/SakanaAI/DiffusionBlocks @ai_machinelearning_big_data #sakana #ai #ml

Что нужно для заявки на «Лето с AIRI»? Чтобы вам было проще, собрали для вас подробный чек-лист Резюме — в нём важно указать ваш опыт: где учились, какие у вас есть проекты, в том числе личные, стажировки, научные публикации. Можно добавить, какими технологиями владеете, что изучали, если есть — ссылки на GitHub, личный сайт или портфолио. Research Proposal — выберите статью Core A/A* по направлениям «Лето с AIRI 2026», проанализируйте метод, описанный в статье, выделите ключевые задачи, оцените сильные и слабые стороны работы и предложите развитие. Проведите минимальные эксперименты и подготовьте отчёт. Формат: 1-2 страницы с указанием ссылки на статью. Ориентируйтесь на работы, принятые на таких конференциях, как NeurIPS, ICML, ICLR, AAAI, ACL, EMNLP, CVPR, ICCV, ECCV, KDD, IROS, ICRA (полный список: portal.core.edu.au/conf-ranks...). Мотивационное видео — запишите или сгенерируйте видео до 2-х минут о том, почему хотите поехать на Школу, как участие в Школе поможет вам в карьере и развитии, а также немного расскажите про свою идею, которая описана в Research Proposal. Прикрепите файлы к форме заявки. Если планируете участвовать — не откладывайте: приём заявок открыт до 29 мая включительно @mountainai_info | сайт

Продлеваем дедлайн подачи заявок на «Лето с AIRI» до 29 мая 10:00 🔔 Летняя школа по ИИ в этом сезоне пройдёт в Усть-Лабинске — окружённом живописной природой городе Краснодарского края. С 21 июля по 4 августа вас ждут лекции и семинары, постерная сессия, проектная работа и внеучебные активности — от спортивных соревнований до ламповых посиделок у костра. Отличная возможность прокачаться в области искусственного интеллекта, с головой погрузиться в исследования и попасть в классное комьюнити. Если вам нужно будет официальное приглашение на Школу (например, чтобы вуз помог с оплатой билетов), мы можем его оформить — просто напишите нам. Подавайте заявку и рассказывайте друзьям — это лето может стать ярким! Если у вас остались вопросы, пишите нам на event@airi.net 📌

А вот текущие планы программы на лето (планируются курсы/интенсивы с заданиями на мирере): 1. Интенсив по агентам 2. Курс по базовому ML (для стажировок и всего подобного с практикой ) 3. Курс по оптимизации инференса мовременных моделей 4. Очень возможно интенсив по вайбкодингу И проведем какой-нибудь хакатон среди на 1000 подписчиков, даже с призами, это уже 100%

А вот текущие планы программы на лето (планируются курсы/интенсивы с заданиями на мирере): 1. Интенсив по агентам 2. Курс по базовому ML (повторение и обновление) 3. Курс по оптимизации и инференсу 4. Очень возможно интенсив по вайбкодингу Начало первого уже через недели две +-, может даже пораньше И проведем какой-нибудь хакатон среди на 1000 подписчиков, даже с призами, это уже 100%

Забавно, что в начале ML в финансах всегда выигрывает, сделаю важное уточнение: после курса построить свою торговую стратегию и стать миллионером, к сожалению, не получится)