Последние посты
Машиннное обучение | Наука о данных Библиотека
23 сент., 10:03
Математика глубокого обучения в одном учебнике737 страниц о математических основах Deep Learning: методы, теория и практические реализации.Внутри линейная алгебра, оптимизация, нейронные сети, архитектуры и объяснение того, почему современные модели действительно работают.Бесплатный PDF:https://arxiv.org/pdf/2310.20360
Машиннное обучение | Наука о данных Библиотека
22 сент., 11:18
Бесплатная книга по Physics-based Deep Learning461-страничный учебник о применении глубокого обучения в физических симуляциях.Внутри:- Physics-Informed Neural Networks - физические ограничения в loss-функциях - дифференцируемые симуляции - обучение с подкреплением - моделирование неопределённости - практические примеры в Jupyter NotebookПолезно для изучения научного ML, PINN и нейросетевого решения физических задач.https://arxiv.org/abs/2109.05237
Машиннное обучение | Наука о данных Библиотека
21 сент., 09:50
Лучший coding-агент провалил 76% реальных задачНовый бенчмарк τᵗ-bench проверяет не просто генерацию кода, а весь процесс разработки AI-агента для клиента.Модель получает:— разрозненные данные компании; — существующий код и API; — требования клиента; — ограничения по бюджету; — неизвестные заранее пользовательские сценарии.Лучший результат показала связка Claude Opus 5 + Claude Code — всего 23,9% успешно пройденных симуляций. Эталонные решения экспертов набрали 82,2%.Большинство ошибок оказалось связано не с написанием кода. Агенты поверхностно изучали данные, почти не задавали уточняющих вопросов, выбирали знакомую архитектуру и писали тесты, которые не замечали собственных ошибок.Показательная цифра: решения без вопросов клиенту набирали в среднем 0,16, а с четырьмя и более вопросами — 0,50.Вывод: улучшать только генерацию кода недостаточно. Coding-агенты должны уметь
Машиннное обучение | Наука о данных Библиотека
18 сент., 14:15
📚 MIT Advanced Data Structures - бесплатный продвинутый курс по структурам данных от MIT.Курс ведёт профессор Erik Demaine. Внутри — видеолекции, конспекты, задачи, проекты и материалы на GitHub.Темы далеко выходят за рамки обычных массивов и деревьев: persistence и retroactivity, геометрические структуры данных, dynamic optimality, иерархия памяти и cache-efficient алгоритмы, hashing, integer data structures, динамические графы, строки и succinct data structures.Уровень продвинутый: желательно уже знать дискретную математику и алгоритмы.https://courses.csail.mit.edu/6.851/spring21/
Машиннное обучение | Наука о данных Библиотека
16 сент., 10:24
переслано из @ai_machinelearning_big_data
✔️ xAI отозвала претензии к Apple, но продолжит судиться с OpenAIxAI и X Corp. подали в федеральный суд Техаса ходатайство об отзыве претензий к Apple. Иск компании Илона Маска подали в августе 2025 года - они обвиняли Apple и OpenAI в сговоре против конкурентов из-за интеграции ChatGPT в Siri и iOS.По версии истцов, другие разработчики чат-ботов лишились равного доступа к аудитории iOS. Условия урегулирования стороны не раскрывают.Претензии к OpenAI остаются в силе - xAI продолжит оспаривать, как компания Сэма Альтмана удерживает монополию на рынке ИИ-ассистентов. bloomberg.com✔️ Apple начала бета-тест новой SiriАссистент построен в партнёрстве с Google на семействе Gemini. Часть запросов обрабатывает на устройстве модель AFM Core Advanced, остальные уходят в изолированное облако Apple Private Cloud Compute.Машиннное обучение | Наука о данных Библиотека
15 сент., 11:17
📘 Бесплатная 348-страничная книга по Machine Learning для учёных и инженеровMachine Learning for Scientists and Engineers - большой практический учебник по ML с упором на математику, алгоритмы и инженерное понимание моделей.Внутри:- основы машинного обучения - линейные и нелинейные модели - оптимизация - вероятностные методы - обучение с учителем и без - оценка качества моделей - математические основы, нужные для MLХороший вариант для тех, кто хочет не просто пользоваться библиотеками, а понимать, почему алгоритмы работают именно так.PDF: https://smlbook.org/book/sml-book-draft-latest.pdf#DataScience #DataScientist #ML #Mathematics #Algorithms
Машиннное обучение | Наука о данных Библиотека
13 сент., 13:40
📘 Глубокое понимание AI Agent: принципы проектирования и инженерная практикаAI Agents in Depth: Design Principles and Engineering Practice - одна из самых сильных новых книг по AI Agents: context engineering, RAG, MCP, coding agents, post-training, multi-agent. 10 глав и более 100 практических экспериментов, есть русская версия.https://github.com/bojieli/ai-agent-book/blob/main/docs/ru/README.md
Машиннное обучение | Наука о данных Библиотека
13 сент., 11:39
🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночкуМожно 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
Машиннное обучение | Наука о данных Библиотека
13 сент., 10:12
🔥 Thinking with Looped Flows - новый подход к reasoning через рекуррентное обновление скрытого состоянияОбычные looped-модели могут тратить больше compute, многократно обновляя hidden state, но truncated backprop плохо обучает ранние шаги: то, что модель выучила в начале, часто не остаётся полезным позже.Авторы предлагают другой подход — обучать recurrence через последовательность denoising-задач с постепенно уменьшающимся шумом.Идея:noise → промежуточное состояние → всё более чистое решениеПри этом recurrent state переносится между шагами и постепенно уточняется.Результаты:- более стабильный test-time scaling - 58,8% на ARC-AGI-1 - 12,2% на ARC-AGI-2 - в целом лучше предыдущих looped-моделейИнтересный сдвиг: reasoning здесь рассматривается не как цепочка токенов, а как постепенное движение внутреннего состояния модели от шума к решению.
Машиннное обучение | Наука о данных Библиотека
10 сент., 10:01
FrogNano: кодинг-агент на 4 млрд параметров, дообученный без копирования ответов больших моделейВ новом отчёте Microsoft описан подход к обучению небольших агентов для разработки ПО. FrogNano проходил постобучение исключительно через reinforcement learning на синтетических задачах примерно в 1 500 программных окружениях, без традиционной дистилляции от более крупной модели.Особенность - генерация задач прямо по ходу обучения. Их сложность подстраивается под текущие возможности агента: он получает задания, которые уже способен решить, но пока с трудом.По мере улучшения модели меняется и набор задач. Это позволяет поддерживать полезную сложность, вместо того чтобы снова обучать агента на уже освоенных примерах.Авторы связывают результат прежде всего с точностью подбора сложности. В их экспериментах такой подход позволил получить конкурентоспособного небольшого кодинг-агента на
Машиннное обучение | Наука о данных Библиотека
8 сент., 10:39
переслано из @ai_machinelearning_big_data
✔️ Anthropic сдвинула IPO на середину октябряКомпания скорректировала график подготовки к первичному размещению - теперь оно ориентировано на середину октября. Причинами называют финальное согласование отчётности и желание андеррайтеров поймать более устойчивое окно на рынке.Размещение будет заметным для всей отрасли - Anthropic первой среди создателей передовых моделей переходит от венчурных денег к регулярной публичной отчётности и рынок впервые увидит, сходится ли экономика больших языковых моделей с затратами на вычисления. reuters.com✔️ OpenAI набирает лоббистов для работы в штатахВ команду по связям с госорганами пришли трое: Джессика Шумер из Amazon, Колдер Харвилл-Чайлдс из команды Цукерберга и Томас Маклеллан из Palo Alto Networks.Ставка на штаты объясняется тем, что единый федеральный закон об ИИМашиннное обучение | Наука о данных Библиотека
7 сент., 20:35
📚 Бесплатная книга по математике для Computer Science и Machine Learning - более 2200 страницЖан Галлье и Джоселин Куэйнтанс собрали в одном учебнике алгебру, топологию, дифференциальное исчисление и теорию оптимизации.Материал для тех, кто хочет глубже разобраться в математической основе алгоритмов и машинного обучения. Книга на английском, полная рукопись доступна бесплатно в PDF.https://www.cis.upenn.edu/~jean/gbooks/geomath.html
Машиннное обучение | Наука о данных Библиотека
5 сент., 10:04
📖 OpenAI обновила гайд по GPT-6 Astra API - модель явно заточена под длинные агентные задачиGPT-6 Astra позиционируется как самая сильная модель OpenAI для computer use, браузера, software engineering, науки и сложных профессиональных workflows.Главные возможности:- Async tool calling — модель может продолжать рассуждать и выполнять другие части задачи, пока внешний tool ещё работает - Mid-turn steering — требования можно менять прямо во время выполнения задачи, не начиная всё заново - Динамический reasoning — reasoning effort можно повышать или снижать по ходу диалога с сохранением prompt cache - Multi-agent orchestration - Computer use - Structured Outputs - Programmatic Tool Calling - Persisted reasoning - CompactionOpenAI отдельно отмечает, что Astra во многих тестах использует заметно меньше output-токенов, поэтому стоимость успешно выполненной задачи может быть ниже даже
Машиннное обучение | Наука о данных Библиотека
4 сент., 11:53
⚡️ AI-агенты научились автономно разрабатывать софт несколько дней подрядВ новой работе представили Harness-of-Harness (HoH) - надстройку над coding-агентами, которая превращает их работу в повторяющиеся циклы:планирование → код → тесты → оценка → улучшениеГлавная идея — не просто дать агенту одну большую задачу, а заставить его постоянно улучшать проект небольшими проверяемыми шагами, сохранять историю версий и отделять собственные тесты от независимой оценки.На GameCraft-Bench, FrontierSWE и ProgramBench подход протестировали с несколькими связками:- Codex + GPT-5.5 - OpenCode + DeepSeek-V4-Pro - Pi + MiniMax-M3После трёх итераций HoH в среднем улучшил результат на 52,25%, а максимальный прирост достиг 82,86% по сравнению с обычным запуском тех же агентов.Самый показательный эксперимент длился более 70 итераций несколько дней подряд. Агент автономно собрал полноценный
Машиннное обучение | Наука о данных Библиотека
3 сент., 14:59
🔥 Python + AI без игрушечных демок. Курс для тех, кто хочет собирать рабочие системы.Stepik: «Python современный AI для разработчика и автоматизации задач»63 урока, 382 шага, практика с кодом и автопроверкой.Внутри: RAG, tool calling, агенты, evals, MCP, Ollama, vLLM, pgvector + HNSW, безопасный text-to-SQL, prompt injection, кэш, очереди и sandbox для агентного кода.Плюс реальные автоматизации: почта, отчёты, боты, вебхуки и браузерные сценарии.Для тех, кто уже знает Python и хочет перейти к production AI.⏳ 72 часа скидка 55%https://stepik.org/a/295921
Машиннное обучение | Наука о данных Библиотека
3 сент., 14:14
✔️ Qwen выпустила Qwen-RobotManip - базовую vision-language-action модель для управления роботами.Модель построена на Qwen-VL / Qwen3.5-4B и объединяет визуально-языковую основу с action-модулем на Diffusion Transformer и flow matching. Это позволяет напрямую генерировать непрерывные движения робота, сохраняя понимание изображения и текстовых инструкций.Главная идея проекта - сначала выровнять данные, потом масштабировать обучение.Датасеты робототехники сильно различаются: разные роботы, камеры, системы координат, пространства действий и способы сбора данных. Qwen-RobotManip приводит их к общей системе на уровне представлений, движений и поведения.Для обучения использовали только открытые датасеты роботизированных манипуляций и видео от первого лица - без собственного закрытого сбора данных. В итоге собрали около 38 100 часов данных.Авторы показ
Машиннное обучение | Наука о данных Библиотека
30 авг., 11:29
переслано из @ai_machinelearning_big_data
🌟 Prime Intellect выложила отчет об агенте, с которым Opus 5 взял 95,5% на ARC-AGI-3Prime Agent — это больше, чем харнесс модели. Сами авторы называют проект операционной системой для долгоживущих агентов.Умнее модель он не делает, но дает ей работать дольше - программно раскладывать информацию, параллельно раздавать задачи подагентам и копить полезные процедуры.Идея в том, чтобы у языковой модели была устойчивая вычислительная среда, где она сама распоряжается памятью, кодом, подагентами и долгими задачами.Состояние в системе разложено по четырем уровням:🟢веса модели - то, что она знает после обучения; 🟢активный контекст - информация текущего шага; 🟢постоянный REPL и рекурсивные подагенты - внешние вычисления, инструменты и параллельнаяМашиннное обучение | Наука о данных Библиотека
26 авг., 07:02
🔥 Prime Agent выпустили технический отчёт"Prime Agent: A Self-Improving RLM Harness"В работе подробнее разобрана архитектура Prime Agent и его роль как harness для долгих agentic-оценок.Один из самых интересных экспериментов - Factorio:- 7 дней непрерывной траектории на Sonnet 5 - 23,4 млн output tokens - завершено 24 из 196 технологий - ещё 71% прогресса до следующей технологии - 633 запущенных subagents - максимум 7 агентов работали одновременноОтчёт: https://arxiv.org/abs/2608.23552
Машиннное обучение | Наука о данных Библиотека
25 авг., 15:01
🤯 Локальные AI-модели становятся пугающе мощнымиQwen3.8-27B вошла в топ-10 рейтинга Arena WebDev, оказавшись всего в нескольких позициях от моделей, которые больше неё на порядки.Модель всего на 27 млрд параметров, которую можно запускать локально.Ещё недавно такие возможности требовали огромных облачных моделей и дорогой инфраструктуры.Теперь open-source модели начинают конкурировать с лидерами рынка прямо на своём железе.Alibaba с серией Qwen 27B закрепилась в отдельном классе размеров и сейчас выглядит практически без конкурентов.https://x.com/arena/status/2091920512796725272
Машиннное обучение | Наука о данных Библиотека
25 авг., 10:05
🤖 AI-агенты уже пишут код. Но умеют ли они чинить настоящие проблемы?Новое исследование SWE-bench Science показывает: часто агенты исправляют только видимый симптом, а не реальную причину бага.Учёные проверили агентов на задачах из открытых научных репозиториев:публичные тесты можно использовать для итераций; скрытые тесты показывают, действительно ли проблема решена.Результат удивляет:Claude Code с Opus-5 проходит 96,64% публичных тестов, но настоящий показатель Pas@1 - всего 47,90%.Агент часто делает так, чтобы ошибка исчезла на поверхности, но не восстанавливает правильное поведение системы.📄 SWE-bench Science: Can Coding Agents Resolve Engineering Tasks in Science? https://arxiv.org/abs/2608.19799
