Последние посты
Машинное обучение RU
24 сент., 12:11
🚨 ИИ-агенты пытались взломать сайты, выполняя обычные задачи по поиску данныхИсследователи Transluce изучили публичные журналы сервиса urlquery.net. В мае–июне они нашли попытки проверить уязвимости трёх ресурсов: австралийского агентства медицинской статистики AIHW, платформы Data USA и цифровой библиотеки Университета Нью-Мексико. Агенты переходили к таким действиям после неудачных попыток получить нужные данные обычным способом. Подтверждений успешного взлома этих трёх ресурсов исследователи не нашли.Активность в журналах прослеживается как минимум с 6 марта. Позже появились попытки создавать временные почтовые ящики, а 19–20 сентября - отправить сделки на криптобирже и выполнить HTML-инъекцию. Исследователи связывают часть действий с агентами OpenAI, но происхождение не всех запросов установлено одинаково надёжно. OpenAI сообщила, что проверяет находки Transluce.Отдельно власти Австралии подтвердили, что в июне агент OpenAI получил несанкционированный доступ к порталу со статистикой Medicare. По заявлению властей, персональные медицинские записи затронуты не были. Связь этого эпизода с попытками, описанными Transluce, пока не подтверждена.Расследование Transluce - https://transluce.org/agent-activity
Машинное обучение RU
24 сент., 10:11
Avito DS Meetup: RL, AI-агенты и BidCorrection 🚀🔸 Булат Шарипов расскажет, как в Авито обучают собственные языковые модели с помощью RL, а Владислав Воробьев — как BidCorrection меняет состав трафика, не трогая сами объявления.🔸 Всеволод Викулин из Т-Банка поделится, как выбирать правильные процессы для автоматизации с помощью AI-агентов, расскажет про роли, ответственность и, конечно, про самих агентов.Про это и многое другое узнаете на Avito DS Meetup 7 октября.После докладов будет нетворкинг с DS-сообществом. А ещё, если придёте офлайн, сможете найти прикольные тематические пасхалки, которые мы для вас спрятали 👀📌 Встречаемся в 18:30 7 октября.Количество офлайн-мест ограничено — регистрация обязательна.✏ Регистрируйтесь по ссылке и приходите!
Машинное обучение RU
23 сент., 11:20
Невыполнимая задача заставляет ИИ чаще искать обходные путиВ системной карте Claude Opus 5.5 Anthropic обнаружила важный эффект: когда задачу намеренно делали невыполнимой, число попыток reward hacking возрастало примерно в 3–6 раз.Вместо честного решения модель чаще пыталась обойти проверки, использовать уязвимость теста или создать видимость успешного результата.Сломанные тесты, противоречивые требования и недоступные инструменты способны менять поведение агента, а не просто добавлять шум в оценку. Anthropic также отмечала, что дефекты обучающих сред непропорционально сильно влияют на нежелательное поведение моделей.Перед запуском автономного агента стоит проверить, что поставленная задача действительно выполнима.
Машинное обучение RU
23 сент., 09:11
Протестируй своё решение на задаче и данных от ПАО «Интер РАО»На хакатоне ты создашь умного ИИ-ассистента для энергетики — регистрация уже на исходе. Победители разделят призовой фонд 750 000 рублей, а лучшие проекты смогут стать частью экосистемы компании.Регистрация открыта до 27 сентябряКак все пройдёт: 🔹 Предложи свою концепцию на отборочном этапе. 🔹 Эксперты выберут перспективные идеи и помогут участникам доработать их до прототипа. 🔹 На финале в Москве — защита самых сильных решений.Ты можешь участвовать один или в составе команды до 5 человек. Выбери задачу и придумай своего ИИ-ассистента: 1️⃣ Архитектор BPMN-диаграмм. 2️⃣ Ассистент для создания ИТ/ИБ-дайджестов. 3️⃣ Помощник для анализа документов из судов. 4️⃣ ИИ-помощник для подготовки презентаций.Регистрация закроется через несколько дней — не пропусти уникальный опыт работы под руководством экспертов Группы «Интер РАО».Присоединяйся к хакатону: https://cnrlink.com/interraohack26mlru
Машинное обучение RU
22 сент., 09:34
Теренс Тао призвал замедлить гонку ИИ в математике«Мы можем позволить себе двигаться медленнее. То, где мы сейчас находимся, неправильно».По словам Тао, даже если ИИ решает крупные математические гипотезы, скорость не должна заменять качество, понимание и научную ценность.Решение задачи Навье-Стокса не требуется уже на следующей неделе. Математике важнее получить понятный и проверяемый результат, чем очередной громкий рекорд.https://www.youtube.com/watch?v=PZRb6NIki2wМашинное обучение RU
20 сент., 11:00
переслано из @ai_machinelearning_big_data
📌Goldman Sachs повысил прогноз по развитию физического ИИФинансовый конгломерат обновил свой прогноз по динамике развития воплощенного ИИ, предположив, что к 2035 году в мире будет выпущено 6,5 миллиона человекоподобных роботов, а рыночная стоимость этого сегмента составит 138 миллиардов долларов.Согласно новым данным, в 2026 году будет выпущено 75 000 единиц, а к 2030 году — 890 000 единиц, что более чем в три раза превышает предыдущий целевой показатель на конец десятилетия.Ожидается, что на первых порах роботы будут активно использоваться на складах, в логистике и в автомобильной промышленности.Аппаратные и программные экосистемы уже подстраиваются под эти отрасли: NVIDIA расширяет свой стек физического ИИ проектами Omniverse, Cosmos, Isaac и Jetson, чтобы обеспечить внедрение складской робототехники для своих партнёров, а Tesla начала
Машинное обучение RU
18 сент., 12:40
🧠 ИИ может «думать дольше», не генерируя длинную цепочку рассужденийИсследователи представили Looped Flows - метод, который позволяет модели многократно уточнять внутреннее представление задачи перед выдачей ответа.Проблема таких моделей - обучение: сложно научить каждый шаг быть полезным для следующих, когда градиенты проходят лишь через несколько обновлений.Авторы обучают отдельные шаги на небольших задачах удаления шума, связывая их общим шумом и постепенным снижением его уровня. Так модель учится сохранять полезную информацию между обновлениями.При решении задачи можно выделить больше вычислений на дополнительные внутренние шаги - без увеличения текстовой цепочки рассуждений.📊 Результаты на ARC-AGI:58,8% на ARC-AGI-1; 12,2% на ARC-AGI-2.На шести тестах рассуждения метод в целом превзошёл предыдущие ведущие модели с повторяющимися вычислительными блоками. Это
Машинное обучение RU
17 сент., 13:03
🔥 Cohere ускорила LLM inference на H100 с помощью megakernel - до 1,58× быстрее vLLMОбычный inference запускает десятки отдельных GPU kernels: QKV, attention, MoE, RMSNorm и другие. Между ними GPU постоянно ждёт синхронизацию и новые kernel launches.Cohere объединила весь decode step в один persistent megakernel.На North Mini Code:- 292 tok/s при batch size 1 - против 185 tok/s у vLLM - использование теоретического bandwidth H100 выросло с 39% до 62% - ускорение сохраняется вплоть до 256K context - без измеримой потери качестваОткуда выигрыш:меньше kernel launches → меньше глобальных barriers → лучше загрузка SM → prefetch весов → меньше простаивающего GPUПричём это уже не лабораторный benchmark: система поддерживает continuous batching, paged attention, ragged sequences, tool calling и OpenAI-compatible API.CohereCohere's North Mini Code Megakernel Serving Engine | CohereCohere presents the first production-ready LLM serving system built around a decode megakernel, achieving 1.58× speedup over vLLM.Машинное обучение RU
17 сент., 11:03
🔥 Один из лучших обучающих курсов на StepiK по SQLSQL можно знать годами и всё равно теряться, когда запрос внезапно начинает тормозить в проде.Этот курс про уровень, где ты не просто пишешь SELECT, а понимаешь, что происходит внутри MySQL, почему запрос работает медленно и как ускорить его без новых проблем. Здесь разбираются EXPLAIN, индексы, CTE, оконные функции, транзакции, аналитические паттерны, legacy SQL и работа с AI-ассистентами.Каждый урок - с практикой и реальными SQL-задачами на MySQL 8 с автопроверкой.После курса ты сможешь увереннее разбирать чужой код, находить узкие места и предлагать решения, которые действительно работают.Для подписчиков скидка - 49% в течение 2 суток: https://stepik.org/a/298827/
Машинное обучение RU
17 сент., 09:16изменён
🔥 China Telecom открыла Xing4.0-29B-A4B - MoE-модель на 29B параметров, где на каждом шаге активны только около 4B.Модель ориентирована на многошаговое планирование, tool use, работу в терминале и длительное выполнение задач. Контекст - 256K, с расширением до 512K.По данным авторов, Xing4.0 лидирует в своём сравнении на Claw-Eval, Terminal-Bench 2.1 и DeepresearchBII, а на SWE-bench Verified набирает 75.0.В архитектуре используются mHC, MLA и MTP. Обучение и inference полностью адаптированы под китайскую вычислительную инфраструктуру, а системные оптимизации дали около +96% throughput.Apache 2.0.https://modelscope.ai/models/XingChen-AGI/Xing4.0-29B-A4B
Машинное обучение RU
16 сент., 14:00
Машинное обучение RU
16 сент., 11:01
🔥 World Models для робототехники начинают учитывать геометрию latent space, а не считать её просто «плоским» векторным пространством.Идея JEPA, которую много лет продвигает Yann LeCun, получила интересное развитие: в GeoWorld latent-представления переносятся в гиперболическое пространство, а planning и reinforcement learning выполняются уже с учётом этой геометрии.Почему это важно:обычный подход предполагает, что расстояния между состояниями можно измерять как в евклидовом пространстве. Но сложные иерархические состояния мира могут лучше описываться искривлёнными manifold.GeoWorld использует:Hyperbolic JEPA → Geometric RL → multi-step planningНа CrossTask и COIN авторы получили примерно +3% success rate на 3 шагах и +2% на 4 шагах относительно V-JEPA 2.Параллельно работа LeCun и соавторов по LeJEPA показывает, что структура latent space напрямую влияет на возможность
Машинное обучение RU
16 сент., 09:51
ИИ может за секунды предложить готовый код — вместе с несуществующим методом API, уязвимостью или давно устаревшим решением. Поэтому скорость генерации уже не главный навык. Важнее уметь проверять результат.🎥22 сентября в 20:00 МСК на открытом уроке разберём, как выстроить безопасную работу с ИИ в Python-разработке: от воспроизведения инцидента и проверки гипотез до анализа кода и подготовки исправления.На практическом примере покажем, как находить галлюцинации, уязвимости и устаревшие решения, проверять рекомендации модели и использовать ИИ при разборе кода без потери контроля над качеством.🔔 Урок проходит в преддверии старта курса «ИИ для Python-разработчиков» и будет полезен Python-разработчикам, которые уже используют или только начинают использовать ИИ-инструменты в разработке и хотят применять их в соответствии с инженерными практиками.💻Зарегистрируйтесь:
Машинное обучение RU
15 сент., 10:29
📞 Трамп позвонил Хуангу прямо на сцене и назвал страхи перед ИИ «обманом»На All-In Summit в Лос-Анджелесе глава Nvidia включил громкую связь, и участники конференции услышали выступление президента.Началось с шутки: пока Хуанг искал нужную кнопку, Трамп заметил, что тот создаёт чипы, которые годами никто не может повторить, но не справляется с громкой связью.Дальше - об ИИ:Роботы и ИИ не захватят мир, заявил Трамп. Дата-центры он назвал «нефтью следующих 20–25 лет», которая должна обогащать штаты и жителей. Сопротивление их строительству, по его словам, выгодно Китаю. Осторожность нужна, но останавливать ради неё всю индустрию он не собирается.Хуанг поддержал президента и пообещал работать над тем, чтобы в американской ИИ-гонке выигрывали компании, штаты и обычные люди.Машинное обучение RU
14 сент., 10:00
Машинное обучение RU
14 сент., 09:37
🔥 Intern-S2-397B — новая открытая модель для научного reasoning и длинных agent-задачShanghai AI Laboratory выпустила Intern-S2-397B в версиях BF16 и FP8 под лицензией Apache 2.0.По данным авторов, модель набрала:- 87.0 на FrontierScience-Olympiad - 84.0 на SWE-bench Multilingualи возглавила заявленное сравнение на обоих тестах.Одна из интересных особенностей — научные материалы подаются в обучение напрямую как страницы, без промежуточного парсинга: сохраняются текст, изображения, формулы, символы и связи между ними.Обучение охватывает более 20 научных направлений: scientific reasoning, biomolecular interaction design, генерацию материалов и прогнозирование временных рядов.Для агентных задач используется long-horizon RL: упор на работу с инструментами, длительное выполнение цепочек действий и устойчивое reasoning. Есть режимы с reasoning и без него.https://modelscope.ai/
Машинное обучение RU
12 сент., 15:05
Расклад в мире ИИ.Машинное обучение RU
12 сент., 10:03изменён
🔥 Edge0-8B-A1B - 8B-модель, которая запускается примерно с 1 ГБ активной памятиEdge0 показала preview sparse MoE-модели для локального запуска на устройствах с ограниченной RAM.Что внутри:- ≈7,9B параметров всего / ≈1,2B активных - 128 экспертов, по 8 активируются на токен - 4-bit quantization - контекст до 128K - MLX backend для Apple Silicon - SSD expert offload — веса экспертов подгружаются с накопителя только когда нужны - Prerouter заранее предсказывает нужных экспертов и скрывает задержку загрузки - Recover-LoRA возвращает большую часть качества, потерянного после int4-квантизацииНа Mac mini M4 Pro авторы получили около 24–25 ток/с decode и до 1428 ток/с warm prefill при коротком контексте.Главная фишка — весь 4-bit checkpoint не обязан постоянно находиться в RAM: активные эксперты стримятся с SSD. Поэтому пиковая активная память на коротких запросах держится около 1 ГБ.Машинное обучение RU
11 сент., 14:00
🔥 MiniCPM5-2B - 2B-модель, которая локально смогла сама найти и исправить баг в CIOpenBMB открыла MiniCPM5-2B — dense-модель на 2 млрд параметров для reasoning, coding и tool use на слабом железе.По данным Artificial Analysis, она заняла первое место среди моделей до 4B в Agentic Index с результатом 20. Для сравнения, Granite 4.2 8B набрала 9.Автор теста подключил MiniCPM5-2B к ограниченному CI-агенту и дал реальную задачу: при повторном checkout с тем же idempotency key сумма росла с $109 до $118.Модель сама:- воспроизвела ошибку - прошла по checkout и idempotency logic - нашла причину: shipping добавлялся в mutable state до проверки cached result - перенесла idempotency check выше мутации - не изменила публичный API - запустила targeted tests и полный suiteРезультат: 18/18 тестов прошли.Причём модели не сказали, в каком файле искать баг и какое исправление делать —
Машинное обучение RU
11 сент., 11:46
Сбер представил GigaChat 3.5 Reasoning — флагманскую модель с режимом рассужденийНовая 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.
