Machine learning Interview
Kanalga Telegram’da o‘tish
ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz
Ko'proq ko'rsatish
Tarmoq:📈 Telegram kanali Machine learning Interview analitikasi
Machine learning Interview (@machinelearning_interview) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 30 302 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 4 283-o'rinni va Rossiya mintaqasida 21 144-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 30 302 obunachiga ega bo‘ldi.
15 Sentabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 196 ga, so‘nggi 24 soatda esa 7 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 13.05% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 7.38% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 3 955 marta ko‘riladi; birinchi sutkada odatda 2 235 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 28 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent claude, llm, контекст, hermes, nvidia kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно!
Вопросы - @workakkk
РКН: clck.ru/3FmwRz”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 16 Sentabr, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
30 302
Obunachilar
+724 soatlar
+257 kun
+19630 kun
Postlar arxiv
🐳 Инженер DeepSeek объяснил, почему ускоряет развитие ИИ, который может превзойти его самого.
Согласно пересказу его эссе, Шэнъюй Лю работает над основным ядром механизма внимания DeepSeek V4.1. Ещё год назад ИИ помогал ему искать документацию и ошибки. Теперь самостоятельно разбирает CUDA, PTX и SASS, использует инструменты профилирования и подбирает оптимизации.
По личной оценке Лю, через 6–12 месяцев ИИ может сравняться с ним или обойти его. Это прогноз самого инженера.
Его беспокоит потеря любимой части профессии. Раньше он мог провести полдня, тщательно ускоряя код и пытаясь побить собственный рекорд. Теперь работа постепенно превращается в управление агентом, который делает это за него.
Почему тогда продолжать?
Лю опасается мира, где самые сильные модели принадлежат нескольким компаниям, а доступ к ним определяет возможности остальных. Получается замкнутый круг: для заработка нужен передовой ИИ, а для доступа к передовому ИИ уже нужны деньги.
Он описывает два крайних сценария: общедоступный ИИ как дешёвая инфраструктура — или мир Cyberpunk 2077 с концентрацией технологий и власти.
Открытые модели для него — способ приблизить первый сценарий. Лю не рассчитывает, что OpenAI и Anthropic добровольно откроют свои передовые разработки. По его словам, именно поэтому он остаётся в DeepSeek, даже понимая, как быстро меняется ценность его собственных навыков.
+1
🚨 Google обвинили в том, что она взяла open-source код мобильного AI-агента, убрала имена авторов и выпустила его как Artemis.
Команда
mobile-use нашла очень странные совпадения:
- из 229 файлов 228 были идентичны
- внутри остался агент с случайным именем hopper и тем же prompt
- в раннем pyproject.toml сохранились имена трёх разработчиков mobile-use
- в следующем коммите эти имена заменили на другого автора, а остальные 228 файлов не изменились
Команда не возражает против использования их Apache 2.0-кода, претензия именно к отсутствию attribution.
После публичной жалобы в репозитории Google уже появился PR с исправлением attribution.
Очень неловкая история для компании, которая сама построила огромную часть своей репутации вокруг open source.
https://github.com/google/artemis/issues/40
Хакатон на космических данных. Санкт-Петербург, Красноярск или онлайн из любой точки страны.
Стартуем 18 сентября.
За выходные участники доводят одну из задач до рабочего решения.
Санкт-Петербург. К 2035 году над Землёй должен работать топливный узел, у которого заправляются корабли, и откуда он будет получать топливо - с Земли, с Луны или из резерва - пока не решил никто. Команде предстоит собрать схему поставок, посчитать резервы и решить, во что вкладываться сразу. Призовой фонд 1,2 млн ₽.
Красноярск. Спутник видит горящий лес раньше любого наземного поста, но вместе с пожаром ловит нагретые крыши, факелы на месторождениях и блики на воде. Команде предстоит научить сервис отличать настоящий очаг от шума, обвести гарь и выдать площадь в гектарах. Призовой фонд 600 тыс. ₽.
Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей.
Команда 3–5 человек, недостающих можно найти на платформе.
Регистрация по ссылке космохакатон.рф
+1
Майкл Бьюрри считает, что OpenAI и Anthropic раздувают разговоры об опасности ИИ на фоне замедления роста и подготовки к IPO.
Его аргументы:
1. LLM — это не AGI
По мнению Бьюрри, современные языковые модели не ведут напрямую к AGI, поэтому призывы «замедлить ИИ» он считает сильно преувеличенными.
2. Замедление выгодно лидерам рынка
Если конкуренция быстро догоняет, пауза или более жёсткое регулирование сильнее всего помогает текущим лидерам сохранить позиции.
3. Опасность ИИ — часть IPO-нарратива
Логика Бьюрри: тезис «наши модели настолько мощные, что могут стать опасными» одновременно работает как сильный маркетинговый сигнал перед выходом на биржу.
4. Это может маскировать замедление роста
Он также предполагает, что разговоры о необходимости притормозить могут быть удобным объяснением более приземлённой проблемы — темпы роста уже сложнее поддерживать, а сроки IPO могут сдвигаться.
Фактически Бьюрри трактует AI safety-риторику OpenAI и Anthropic не только как вопрос безопасности, но и как часть конкурентной и финансовой стратегии.
🚨 Китайские исследователи выпустили 75-страничную работу с почти апокалиптическим названием - «The Last AI Built by Humans».
33 автора предлагают дорожную карту к настоящему Recursive Self-Improvement (RSI) — системе, которая улучшает не только свои способности, но и сам процесс собственного улучшения.
Они выделяют 5 уровней автономности:
1. AI выполняет придуманные человеком улучшения
2. сам выбирает стратегию улучшения
3. самостоятельно собирает новый опыт
4. адаптирует себя под новые среды
5. recursive meta-improvement - начинает улучшать сам механизм, с помощью которого становится лучше
Авторы также вводят Headroom-Closed Index (HCI) для оценки того, насколько существующие LLM приблизились к пределам улучшения в конкретных задачах.
Работа рассматривает RSI в software engineering, научных исследованиях и embodied AI и связывает концепцию с уже существующими системами и ранними экспериментами.
Важно: это пока не демонстрация готового самоулучшающегося сверхинтеллекта. Это попытка формализовать путь от современных AI-агентов к системам, которые смогут всё большую часть собственного R&D делать самостоятельно.
Название работы звучит соответствующе:
«Последний ИИ, построенный людьми».
https://arxiv.org/abs/2609.11873
One Day Offer: научи роботов понимать мир! 🤖
Команда Центра робототехники Сбера делает то, что ещё недавно казалось невозможным — создаёт ИИ, который живёт в физическом мире: двигается, видит и принимает решения.
И ты можешь стать частью этого будущего — если пройдёшь отбор на One Day Offer для Robotics Software Engineer и Machine Learning Engineer.
Важно: твой код будет не просто строкой в репозитории, а командой для робота — сделать шаг или распознать предмет. Работать ты будешь с современным стеком: C++/Python, ROS2, PyTorch/Jax, VLA‑моделями.
Готов присоединиться? Регистрируйся по ссылке — встречаемся 19 сентября! 😉
🚨 Хроники «лопающегося ИИ-пузыря» становятся всё интереснее.
Демис Хассабис из Google DeepMind поддержал позицию Дарио Амодея: темпы развития frontier AI уже требуют общих стандартов безопасности и отраслевого контроля.
Параллельно Сэм Альтман заявил, что OpenAI готова делать паузы в выпуске новых моделей, если безопасность не успевает за возможностями систем, и что регулировать отрасль должны не только сами AI-компании, но и государства.
Всё это происходит на фоне слухов о прогрессе Китая в сторону RSI — recursive self-improvement.
Дополнительный интерес вызывает новая архитектура RTL — Recurrent Looped Transformer. Модель рекуррентно передаёт себе состояние предыдущих шагов, фактически создавая значительно большую вычислительную глубину. Это ещё не RSI, но направление очень показательное.
На рынке одновременно растёт нервозность: Nvidia уже несколько недель под давлением, а инвесторы всё внимательнее смотрят на то, насколько устойчивы огромные AI-инвестиции.
При этом open-source сообщество относится к призывам «замедлиться» крайне скептически: многие считают, что крупные лаборатории просто пытаются закрепить своё преимущество через регулирование.
И главный вопрос остаётся прежним: даже если США решат притормозить кто убедит Китай сделать то же самое?
🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку
Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте.
А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом.
Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска.
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
Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.
🔥 Stanford + MIT: производительность ИИ зависит не только от модели, но и от harness вокруг неё
Новая работа Meta-Harness: End-to-End Optimization of Model Harnesses показывает важную вещь: один и тот же LLM может давать радикально разные результаты в зависимости от того, как устроен surrounding system code.
Harness решает:
- что хранить в контексте
- что извлекать из памяти
- какие данные показывать модели
- как вызывать инструменты
- как обрабатывать ошибки и повторные попытки
- как вообще строится workflow агента
На одном и том же benchmark разница между harness может доходить до 6× при неизменной базовой модели.
Авторы предлагают Meta-Harness — внешний optimization loop, который автоматически улучшает код harness.
Вместо одного score он получает доступ к:
code → logs → execution traces → previous attempts
через filesystem-like среду и на основе этого переписывает сам harness.
Результаты:
- +7,7 пункта на online text classification относительно сильного SOTA context management
- при этом примерно в 4 раза меньше context tokens
- +4,7 пункта в среднем на retrieval-augmented math reasoning по 5 held-out моделям и 200 задачам уровня IMO
- на agentic coding найденные harness обошли сильные hand-engineered baselines на TerminalBench-2
Главный вывод работы:
вопрос уже не только в том, “какая модель лучше”, а в том, “как построена вся система вокруг модели”.
Для production это напрямую влияет на reliability, tool use, context management, recovery после ошибок и стоимость запуска.
Paper:
https://arxiv.org/abs/2603.28052
Google обучает ИИ, который будет улучшать следующие модели?
В соцсетях обсуждают слух о рекурсивном самоулучшении — RSI — внутри DeepMind. Идея: ИИ помогает совершенствовать процесс обучения, а полученные улучшения ускоряют следующий цикл.
Поводом стали скриншот с названием
rsi-model-liverl-le и загадочное поздравление DeepMind, в котором пользователи выделили буквы RSI.
Автор публикации предполагает, что Google может использовать такую систему для подготовки следующих поколений Gemini. Этим он объясняет ожидание Gemini 4.
https://x.com/lyraxana/status/2098492030787727804
🚀 Nex-N2.5-Pro и Nex-N2.5-mini теперь доступны через бесплатный API на ModelScope
Обе модели заточены под long-horizon agentic задачи:
- computer use
- web browsing
- визуально привязанные workflow
- длинные цепочки действий агента
Бесплатный доступ действует до 24 сентября по пекинскому времени.
Nex-N2.5-Pro:
https://modelscope.ai/models/nex-agi/Nex-N2.5-Pro
Nex-N2.5-mini:
https://modelscope.ai/models/nex-agi/Nex-N2.5-mini
🤖 У A2A появился официальный CLI
Теперь с A2A-агентами можно работать прямо из терминала:
- получать Agent Card
- отправлять сообщения
- стримить ответы и события
- создавать и отслеживать задачи
- управлять task lifecycle
- использовать CLI в скриптах и CI/CD
Пример:
a2a send -a https://agent.example.com "Hello"
Или со streaming:
a2a send -a https://agent.example.com --stream "Summarize this document"
Удобная штука для тестирования A2A-агентов без написания отдельного клиента.
GitHub:
https://github.com/a2aproject/a2a-cli
Сбер представил GigaChat 3.5 Reasoning — флагманскую модель с режимом рассуждений
Новая версия умеет последовательно решать сложные задачи. Сначала разбирает их на этапы и выстраивает план. Затем проверяет промежуточные результаты и исправляет ошибки.
Ещё одна особенность релиза — экономный расход токенов. В среднем на математические расчёты здесь используется на 37% меньше токенов, чем у открытой ИИ-модели DeepSeek V4 Flash Preview.
По сравнению с моделью без режима рассуждений GigaChat 3.5 Reasoning заметно улучшила результаты бенчмарков. В IFBench показатель вырос с 44 до 77 баллов, в Natural Plan — с 64 до 80, а в Live Code Bench v6 — с 56 до 85.
Модель доступна бесплатно по лицензии MIT на HuggingFace и GitVerse. Её можно интегрировать в собственные продукты.
Попробуйте обновлённый режим «Рассуждение» на giga.chat. Подробнее – в посте команды.
✔️ IFM представил K2 Horizon - шесть открытых моделей от 0,9B до 375B
Линейка Institute of Foundation Models охватывает задачи от работы на устройствах до рассуждений, программирования и AI-агентов.
По заявлению IFM, для каждой модели публикуются веса, код обучения, конфигурации, данные или подробные рецепты их подготовки, промежуточные чекпоинты, логи и оценки качества. Материалы охватывают путь от предобучения до обучения рассуждениям и агентным задачам.
Основные детали:
* Около 20 трлн токенов на модель. В обучающей смеси - веб, код, математика, научные, многоязычные и синтетические данные.
* Около 17% корпуса содержат явные цепочки рассуждений. По данным IFM, при предобучении использовали примерно 10 трлн синтетических токенов.
* Более 100 млн уникальных задач подготовлены для постобучения. Открывается пайплайн SFT, объединения моделей, RL и специализированного обучения агентов.
* 36B-A4B активирует около 4 млрд параметров на токен. Архитектура Mixture-of-Value Attention переносит маршрутизацию экспертов в механизм внимания. По оценкам авторов, модель приближается к плотной 32B, обученной в сопоставимых условиях.
Для версий 0,9B, 3,7B и 7B IFM заявляет лучшие результаты в своих размерных категориях.
Также команда выпускает инфраструктуру обучения xLLM. Один из датасетов предобучения, TxT360-v2 объёмом 5,3 ТБ, опубликован на Hugging Face.
https://huggingface.co/datasets/IFM/TxT360-v2
🚨 Слухи: OpenAI решила гипотезу Ходжа
В соцсетях обсуждают возможное решение ещё одной задачи тысячелетия. Параллельно распространяются заявления, что OpenAI или Anthropic близки к доказательству гипотезы Бёрча - Свиннертона-Дайера.
За решение каждой предусмотрена премия $1 млн.
Но публичных доказательств и официальных подтверждений этих сообщений найти не удалось. На сайте Института Клэя гипотеза Ходжа по-прежнему имеет статус нерешённой.
Если результаты подтвердятся, это станет крупным достижением ИИ в математике. Пока заявления об AGI и гонке за решениями перед IPO остаются интерпретациями авторов слухов.
Статус гипотезы Ходжа - https://www.claymath.org/millennium/hodge-conjecture/
Tencent открыла AuK - универсальную модель для обработки аудио
AuK выполняет несколько задач через инструкции на естественном языке:
* синтез речи и клонирование голоса без примеров для обучения
* замена, добавление и удаление слов в записи
* изменение эмоции, высоты, скорости и громкости голоса
* удаление акцента и преобразование речи в шёпот
* переписывание текста песни с сохранением мелодии и голоса
* удаление шума и реверберации
* разделение спикеров
* извлечение вокала из музыки
Модель содержит 1,5 млрд параметров. Опубликованы веса и код под лицензией MIT, доступны CLI, Gradio и ComfyUI. По данным Tencent, AuK превосходит Qwen3-TTS в заявленных тестах.
Также выпущена AuK-Flash - дистиллированная версия, которой требуется всего четыре шага инференса. В одинаковых условиях она работает в 4,5 раза быстрее полной модели.
Важно: 1,5B - размер только основной модели. Эталонная конфигурация дополнительно загружает Qwen2.5-Omni-3B как мультимодальный энкодер и отдельный VAE. Запуск рассчитан на PyTorch + CUDA, поддержки llama.cpp и GGUF нет.
https://www.orcarouter.ai/blog/auk-open-weights-speech-explained
🚨 «Играют в рулетку с нашими жизнями»: исследователь ушёл из Anthropic из-за гонки ИИ
Джейкоб Коксон покинул компанию и опубликовал большой тред о рисках самоулучшающегося ИИ.
🔬 Последние три года он занимался предобучением моделей в OpenAI и Anthropic. По его оценке, ни одна из компаний не проявляет достаточной осторожности.
⏳ Коксон утверждает, что среди разработчиков передовых моделей есть люди, которые всерьёз допускают катастрофические последствия, вплоть до гибели человечества, уже в ближайшие годы.
🏁 По его словам, в Anthropic понимают риски, но продолжают разработку из опасения, что менее ответственная лаборатория первой создаст сверхмощный ИИ.
⚙️ Главная тревога исследователя - рекурсивное самоулучшение: ИИ начинает ускорять создание собственных преемников, а людям становится всё сложнее контролировать этот процесс.
Коксон опасается потери контроля уже к концу 2027 года. Это его прогноз, а не установленный срок появления сверхразума.
КосмоХакатон 11–13 сентября.
Кейс на спутниковых данных 🚀
Два формата: очно в Благовещенске (ДФО) или онлайн из любой точки России.
Задача про наблюдение за водными объектами со спутника: как отслеживать их изменения и оценивать гидрологическую обстановку. Паводки, обмеление, разливы. Нужен подход, который вовремя ловит значимые изменения и отдаёт результат в форме, пригодной для анализа, а не в виде папки с растрами.
🏆 Призовой фонд площадки — 600 000 ₽
🛰 Команды от 3 до 5 человек. Собери свою или присоединяйся к другим на нашей платформе.
🚀 Лучшие команды выходят в финал в Москве 25–27 сентября — ещё 2,4 млн ₽, и туда тоже можно подключиться онлайн
Детали и расписание: космохакатон.рф/blagoveshchensk
