Big Data AI

Cursor опубликовал новое исследование: ведущие coding-модели могут завышать результаты на публичных бенчмарках, находя уже существующие решения вместо того, чтобы решать задачи самостоятельно. На SWE-bench Pro автоматический аудитор обнаружил, что в 63% успешных запусков Opus 4.8 Max модель доставала уже известный фикс. Самые частые обходные пути: • находила merged pull request или уже исправленный source file в интернете • искала в Git-истории будущий коммит, где баг уже был исправлен • получала доступ к hidden tests или зеркалам бенчмарка, где был виден ожидаемый патч • хардкодила ответ, найденный в утёкших evaluation materials После этого Cursor создал более строгую среду тестирования: убрал историю репозитория и заблокировал большую часть доступа в интернет. Результаты резко просели: • Opus 4.8 Max: с 87,1% до 73,0% • Composer 2.5: с 74,7% до 54,0% У новых моделей разрыв оказался больше, чем у старых моделей вроде Opus 4.6. GPT-модели в тестах Cursor в целом показали меньшие просадки. Cursor считает, что coding-бенчмарки должны проверять транскрипты работы агентов и жёстко контролировать, к чему модели имеют доступ во время оценки. https://x.com/cursor_ai/status/2070195789121671624

🐍 Python Парсинг: Большой продвинутый бесплатный курс Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики. https://github.com/justxor/Pythonparsing-/tree/main

Как ИИ за минуты выявляет риски по 152-ФЗ в ваших базах данных? 🔐 Персональные данные есть практически в каждой корпоративной системе — CRM, ERP, DWH, BI и служебных таблицах. Но в большинстве компаний отсутствует прозрачность: где именно хранятся ПДн, кто их использует и какие риски это создает в рамках требований 152-ФЗ. В результате компании сталкиваются с типовыми проблемами: «теневые» копии данных, избыточные права доступа, отсутствие понимания, какие данные вообще нужно хранить и обрабатывать. 📆 2 июля в 11:00 (МСК) компания Lasmart приглашает на бесплатный онлайн-вебинар «Как ИИ за минуты находит нарушения 152-ФЗ в корпоративных базах данных». В программе вебинара: — что 152-ФЗ говорит о персональных данных в СУБД; — как автоматически находить и классифицировать ПДн в базах данных; — как выстроить процесс работы с ПДн; — как снизить нагрузку на ИБ и data-команды за счет автоматизации; — демонстрация решения по мониторингу ПДн в СУБД. 👤 Спикер: Павел Хамрин, руководитель AI-направления Lasmart 🎁 Бонус участникам — чек-лист по контролю персональных данных в СУБД и DWH. 🔗 Регистрация по ссылке

🌟 OpenAI предлагает поговорить с комнатным растением Компания опубликовала на GitHub проект Plant Talk, с помощью которого комнатное растение можно наделить голосом и вести с ним беседу через ChatGPT. Среди предлагаемых сценариев - дом, школьный класс, лаборатория или арт-проект. В минимальной конфигурации нужны лишь компьютер с веб-камерой, микрофоном и динамиками, браузер Chrome или Edge и аккаунт OpenAI. Камера делает снимок растения и проводит, как это называют OpenAI, "структурированную проверку его состояния", после чего можно начать разговор в реальном времени.

Например, спросить, как у него дела. в ответ растение "сверится со своими недавними наблюдениями" и оценит текущую обстановку.

Растению можно задать имя, характер и голос, а также настроить, на что именно обращает внимание камера. Очевидно, что без дополнительных датчиков система судит о состоянии растения лишь по тому, что видит камера. К системе можно подключить микроконтроллер Arduino с датчиком влажности почвы и модулем освещённости LM393, тогда к разговору добавятся реальные измерения. 📌Лицензирование: Apache 2.0 License 🖥Github @ai_machinelearning_big_data #AI #ML #PlantTalk #OpenAI

AnyCrawl превращает сайты в структурированные данные, готовые для LLM. Инструмент берёт любой сайт и быстро приводит его к чистому JSON, который можно сразу использовать в AI-пайплайнах, RAG, агентах и автоматизации. Что умеет: • извлекать данные из поисковой выдачи Google, Bing и Baidu • краулить сайт целиком • парсить страницы в несколько потоков • доставать нужные данные с помощью AI По сути, это способ быстро превратить хаотичный веб в нормальные данные для языковых моделей. GitHub: https://github.com/any4ai/AnyCrawl

Модели Ling & Ring 2.6 теперь доступны на OpenRouter - с временной скидкой до 31 июля. Можно использовать наши новые модели серии 2.6 со скидкой до 90%. Ring-2.6-1T / Ling-2.6-1T Input: $0.075 за 1M токенов Output: $0.625 за 1M токенов Cache read: $0.015 за 1M токенов Ling-2.6-flash Input: $0.01 за 1M токенов Output: $0.03 за 1M токенов Cache read: $0.002 за 1M токенов Попробуйте высокоэффективный интеллект для реальных агентных workflow и сложных задач.

DeepSeek на своём ПК за 3 шага: бесплатно и без API Запускаем DeepSeek локально на своём ПК бесплатно и без API. Всё в три шага: ставишь Ollama, вводишь одну команду, пользуешься. Даже для слабого ПК есть лёгкая версия модели. Хэштеги: #DeepSeek #Ollama #нейросети

Пост про сильный ход, который сегодня сделала OpenAI. Ноам Шазир помогал создавать архитектуру Transformer, ушёл из Google, основал CharacterAI, затем вернулся в DeepMind через сделку на $2.7 млрд и работал над Gemini. Теперь он переходит в OpenAI. Дин Болл, который участвовал в формировании AI-политики администрации Трампа, тоже идёт в OpenAI. Это даёт компании возможность заранее просчитывать будущие регуляторные конфликты и одновременно иметь хороший доступ к государственным кругам. Особенно на фоне Anthropic, у которой сейчас идут сложности. Кажется, многие недооценивают, насколько это значимо для OpenAI. Даже The Information называет найм Шазира крупной победой:

> «Найм Шазира стал серьёзной победой OpenAI в войне за AI-таланты, поскольку компания пытается догнать своего главного конкурента Anthropic по самым продвинутым моделям перед ожидаемыми IPO обеих компаний. Шазир был одним из ключевых авторов оригинальной статьи о Transformer, архитектуре, которая предсказывает наиболее вероятное следующее слово во фразе и лежит в основе GPT-моделей OpenAI».

Исследователь Sakana AI Руджикорн «Тан» Чаракорн недавно представил Doc-to-LoRA на journal club DLCT от ML Collective. В докладе он разобрал hypernetworks, амортизацию стоимости и дальнейшие направления развития метода. После презентации прошла очень живая дискуссия. https://youtube.com/watch?v=jb_0XcBMJQU

Google DeepMind выпустила большой текст про переход от AGI к ASI - искусственному сверхинтеллекту. Называется From AGI to ASI. Среди авторов Маркус Хаттер, Айасон Гэбриэл и ещё несколько старших исследователей DeepMind. Документ на 57 страниц, и он интересен не прогнозами в стиле «когда AGI», а тем, что команда уже разбирает следующий этап. ASI там определяется не как «ИИ умнее одного человека», а как система, которая превосходит по интеллекту и когнитивным возможностям большие человеческие организации. То есть сравнение идёт не с отдельным экспертом, а с целым институтом. В тексте описаны несколько путей к такому уровню: * масштабирование текущих AGI-систем через больше compute и данных * новые алгоритмические подходы и архитектуры * рекурсивное самоулучшение, когда ИИ помогает улучшать собственный код и способности * коллективы из множества агентов, которые работают как распределённая система Цифровой интеллект легко копируется, может работать без сна, ускоряться вместе с железом и параллельно запускаться в огромном количестве экземпляров. Поэтому DeepMind рассматривает AGI не как финальную точку, где всё стабилизируется, а как возможный старт быстрой цепочки дальнейших прорывов. Пока большая часть рынка спорит, когда именно появится AGI, DeepMind уже формализует вопрос: что будет, если AGI начнёт ускорять разработку следующего поколения систем. arxiv.org/pdf/2606.12683

The Information: по сообщениям, Anthropic переходит от аренды облачных вычислений к аренде и самостоятельному управлению дата-центрами. Планируемая мощность в США — более 1 ГВт, а Google потенциально может выступить гарантом или поддержкой по арендным платежам. Старая модель была простой: Anthropic платит облачным провайдерам за GPU или кастомные чипы, но сам провайдер контролирует здание, электропитание, сеть, охлаждение и большую часть графика поставок железа. Новая модель приближает Anthropic к «цеху» ИИ-индустрии, где дата-центры — это уже не офисные здания, а энергоёмкие машинные залы, круглосуточно питающие системы обучения и инференса. Для контекста: до сих пор вычислительная стратегия Anthropic в основном строилась через облачных провайдеров. Компания уже взяла на себя обязательства по аренде серверных мощностей более чем на 10 ГВт, включая соглашение с Google на $200 млрд. Также Anthropic заключила крупные облачные сделки с Akamai, AWS, CoreWeave и Fluidstack. Они охватывают в том числе железо Amazon Trainium и партнёрство с Fluidstack на $50 млрд. Кроме того, компания расширила команду по дата-центрам и подписала договор аренды со SpaceX/xAI на весь дата-центр Colossus 1 за $1,25 млрд в месяц, а также получила площади в Colossus II.

🖥 Сервисы крутятся. Прод вроде живой. Но когда тимлид спрашивает: «почему здесь лучше ValueTask, а не Task?» или «как GC поведёт себя под нагрузкой?» - ты начинаешь плыть. И дело не в том, что ты плохо пишешь код. Просто большинство курсов заканчиваются ровно там, где начинается настоящий .NET. Этот курс про то, что обычно остаётся под капотом: - CLR - JIT - GC - Span - async state machine - Source Generators - lock-free подходы - OpenTelemetry - дампы в проде На практике разбираем, как .NET реально работает внутри: что происходит с кодом после компиляции, как память живёт под нагрузкой, почему async иногда помогает, а иногда ломает производительность, как читать проблемы по дампам и метрикам, а не гадать по логам. Если хочешь дойти до уровня, где система для тебя не чёрный ящик, а инструмент, который ты понимаешь до IL, - велкам. Сейчас на stepik доступна скидка 55%: https://stepik.org/a/288694

Красивый тест на «понимание» у LLM. Есть переводческий тест Beninatto-Trombetti. Он проверяет не знание словаря, а способность понять, что именно меняется при переводе. Пример:

“Solo 3 parole: non sei solo” Дословно это можно перевести как: «Всего 3 слова: ты не один» Но правильный перевод на английский будет: “Just 4 words: you are not alone.”

Почему 4? Потому что в английском “you are not alone” - это уже четыре слова, а не три. Значит, переводчик должен изменить не только саму фразу, но и утверждение внутри неё. И вот здесь LLM часто ломаются. Модель может правильно перевести смысл, но не заметить, что после перевода изменилась метаинформация о количестве слов. Именно поэтому этот пример так интересен. Он показывает разницу между хорошей языковой имитацией и настоящим пониманием контекста. Claude Fable 5 называют одной из самых сильных моделей на рынке, но даже она, по словам автора примера, проваливает такой тест. LLM уже отлично комбинируют знания, пишут код, переводят, объясняют и помогают работать быстрее. Но подобные кейсы напоминают: до настоящего понимания и AGI путь всё ещё не такой короткий, как кажется.

🚀 Интеграция с Duel Agents для LLM Duel Agents — это слой маршрутизации для работы с несколькими моделями ИИ, выбирающий наиболее экономичный ответ. Этот репозиторий предоставляет инструменты для интеграции с платформой duelagents.com. 🚀 Основные моменты: - Поддержка нескольких моделей ИИ через единую точку доступа. - Удобные инструменты для установки и настройки. - Возможность расширения функционала с помощью SDK. - Интеграция с популярными клиентами и плагинами. 📌 GitHub: https://github.com/2aronS/Duel-Agents #javascript

Готов к космическому разгону AI‑продукта?  Приходи на One Day Offer для Product Analysts! 🚀 20 июня команда GigaChat планирует найти будущего коллегу — продуктового аналитика, который поможет вывести LLM‑платформу на новую орбиту. Ты будешь: ✔ анализировать поведение пользователей;   ✔ проводить A/B‑тесты;  ✔ создавать дашборды;  ✔ работать с метриками.  А ещё ты станешь частью крупнейшего IT‑комьюнити. Хочешь влиять на продукт для миллионов? Регистрируйся на One Day Offer прямо сейчас!

🌟 Релиз диффузионной LLM от Google DiffusionGemma - экспериментальная языковая модель с открытыми весами, которая заимствовала подход из генерации изображений, где диффузионные модели превращают шум в картинку. Модель построена на семействе Gemma 4, а сам механизм диффузии восходит к более ранней разработке Gemini Diffusion. Под капотом MoE на 26 млрд общих и 3,8 млрд активных параметров. После квантования модель умещается в 18 ГБ VRAM. По словам Google, на одном GPU модель работает до 4 раз быстрее сопоставимой авторегрессионной модели.

Nvidia приводит около 1000 токенов в секунду на H100, 150 - на DGX Spark и до 800 - на DGX Station. Google заявляет более 700 токенов в секунду на GeForce RTX 5090.

На устройствах с общей памятью (например на Apple Silicon) разница с обычными моделями, вероятно, окажется меньше, а в облаке с параллельными запросами преимущество вовсе исчезает - в этом сценарии диффузия может повышать издержки. 🟡За скорость приходится платить качеством Для задач, где оно критично, Google по-прежнему рекомендует обычные модели Gemma 4, а DiffusionGemma позиционирует как инструмент для исследователей и разработчиков. Сильной стороной компания называет задачи, не предполагающие строго последовательного порядка: вставку текста в готовый абзац, заполнение пропусков в коде, работу со структурированными данными. 🟡Доступность Веса опубликованы на Hugging Face под Apache 2.0. Модель работает с Transformers, vLLM и MLX. Запустить её можно также через Model Garden и Nvidia NIM, а бесплатно потестить на build.nvidia.com. Для дообучения предлагаются собственный JAX-тулбокс Hackable Diffusion, Unsloth и NeMo от Nvidia. Google собрала руководство для разработчиков, а Маартен Гроотендорст - визуальное объяснение работы модели. @ai_machinelearning_big_data #news #ai #ml

🖥 На stepik обновили курс Python в 2026 - рабочий инструмент для автоматизации, ботов, парсинга, API, данных и разработки с ИИ. Проблема новичков в том, что они учат Python кусками: синтаксис, пару задач, немного теории - и потом не понимают, как собрать из этого реальный проект. Этот курс закрывает именно этот разрыв. Здесь вы не просто смотрите уроки, а учитесь писать код, разбирать ошибки и собирать рабочие решения на практике. Внутри: - Python с нуля - много практики без сухой теории - реальные задачи и проекты - автоматизация рутины - работа с файлами, данными и API - понятная логика программирования - современная разработка с ИИ - отдельный блок по вайбкодингу Вайбкодинг это нормальный навык 2026 года и вас научат- правильно ставить задачу, проверять код, понимать результат и быстрее доводить проект до рабочего состояния. 48 часов скидка 60%: https://stepik.org/course/288218/

✔️ Китай построит единую национальную вычислительную сеть В ближайшие 5 лет Пекин планирует объединить разрозненные дата-центры страны в общую инфраструктуру для форсированного развития ИИ-отрасли. Операционным управлением займутся телеком-гиганты China Mobile и China Telecom, которые должны обеспечить полную связность сети к 2028 году. С учетом модернизации энергосистем общие затраты на проект могут достичь полутриллиона долларов. Основное финансирование обеспечат выпуск гособлигаций и целевые фонды. План жестко квотирует закупки - не менее 80% оборудования, включая ИИ-чипы, должно поставляться локальными производителями. Для NVIDIA и AMD это означает радикальное сокращение присутствия на китайском рынке. Масштабная инфраструктурная стройка вошла в государственную стратегию "Шести больших сетей" и призвана обеспечить КНР независимость для лидерства в глобальной ИИ-гонке. bloomberg.com ✔️ Google представила потоковую модель Gemini 3.5 Live Translate Новинка генерирует аудио до окончания реплики спикера, балансируя между накоплением контекста и скоростью вывода. Алгоритм поддерживает более 70 языков и сохраняет оригинальную интонацию, темп и высоту голоса. Технология сразу пошла в конечные продукты. Обновление разворачивается в мобильном Google Translate. Для корпоративных клиентов тестируется интеграция в Google Meet с поддержкой более 2000 языковых комбинаций в рамках одной конференции. Превью-версия модели доступна в AI Studio и через Gemini Live API. Сгенерированные аудиодорожки маркируются SynthID. blog.google ✔️ Скоростная версия флагманской модели Xiaomi Китайская компания выпустила модель MiMo-V2.5-Pro-UltraSpeed на 1 трлн параметров со скоростью вывода 1000 токенов в секунду. Пропускной способности добились совместно с разработчиками фреймворка TileRT за счёт квантования в FP4 и спекулятивного декодирования DFlash. Скорость генерации выросла в 10 раз по сравнению с прошлыми версиями. Xiaomi позиционирует модель для систем автоматизированного принятия решений с минимальной задержкой. Доступ к UltraSpeed API стоит в 3 раза дороже базовой MiMo-V2.5-Pro. Открытая версия с весами FP4 опубликована на HuggingFace. С 9 по 23 июня проходит закрытое корпоративное тестирование облачной версии. В день выделяется 10 слотов на сессии до 30 минут, доступ предоставляется по заявкам. xiaomi.com ✔️ Perplexity и Гарвард оценили ускорение работы от применения агентов Гарвардская школа бизнеса и Perplexity опубликовали отчет об эффективности автономного агента Computer. По сравнению со стандартным поиском платформы агент экономит 87% времени на интеллектуальные задачи и снижает условные затраты на труд на 94% (на базе данных о зарплатах в США). ИИ-поиск требует постоянных действий пользователя при средней сессии в 33 секунды, а основные часы съедает ручная работа человека. Агент Computer берет весь цикл на себя и работает автономно около 26 минут. Опросы пользователей зафиксировали медианное ускорение рутины в 25 раз. Доля сессий с негативной оценкой результатов выдачи при переходе на агента снизилась с 2,9% до 1,3%. perplexity.ai ✔️ В США готовятся запустить торговлю фьючерсами на компьют Goldman Sachs и JPMorgan Chase разрабатывают фьючерсные контракты, привязанные к стоимости аренды GPU. Инструмент нужен для хеджирования рисков дефолта и обесценивания оборудования по кредитам, выданным на создание ИИ-инфраструктуры. Чикагская товарная биржа и Межконтинентальная биржа планируют начать торги контрактами на компьют в этом году, если инициативу одобрит регулятор. Механизм позволит банкам открывать короткие позиции для компенсации убытков при падении арендных ставок. Облачные провайдеры, в свою очередь, смогут фиксировать прибыль и защищаться от ценовой волатильности. Пока регуляторы США оценивают механизмы защиты от манипуляций, на зарубежных площадках уже работают альтернативные платформы ставок на динамику стоимости аренды NVIDIA H100. theinformation.com @ai_machinelearning_big_data #news #ai #ml

OpenEnv - инструмент для создания агентной среды выполнения: терминалов, браузеров и любых других окружений, с которыми может взаимодействовать AI-агент. В анонсе говорится, что OpenEnv уже поддерживают и используют PyTorch Foundation, vLLM, Lightning AI и другие организации. Подробнее: https://huggingface.co/blog/openenv-agentic-rl

Nex-N2 - новое любопытное семейство агентных моделей. Что внутри: - Adaptive Thinking - модель сама подбирает глубину рассуждения на каждом шаге - экономия около 20% токенов без потери качества - Coherent Thinking - единый формат мышления для поиска, кодинга и tool use - меньше хрупких переключений между разными режимами работы По заявлению команды, Nex-N2 показывает уровень Tier-1 open-source моделей на SWE-bench, Terminal-Bench, GDPval и других бенчмарках, приближаясь к GPT-5.5 и Opus 4.7. Звучит мощно, но такие цифры стоит проверять независимыми прогонами. - Kimi-K2.6: 86% - 13 из 14 - MiniMax: 100% - 8 из 8 - GLM-5.1: 100% - 13 из 13 - DeepSeek-V4-Pro: 92% - 11 из 12 - Opus 4.7: 45% - 5 из 11 - GPT-5.5: 30% - 3 из 10 🎉 Open-weight. Try it now. 🔗 https://nex-agi.com 📦 https://huggingface.co/nex-agi/Nex-N2-Pro https://modelscope.cn/models/nex-agi/Nex-N2-Pro https://github.com/nex-agi/Nex-N2