Анализ данных (Data analysis)

26 July 2026 19:04

Похоже, OpenAI уже готовит почву для следующего большого скачка после GPT-5.6.

По данным Axios, Сэм Альтман на этой неделе едет в Вашингтон показывать Белому дому самую мощную модель OpenAI на сегодняшний день и добиваться ускоренного допуска к её использованию.

Модель пока не представлена как GPT-6, поэтому называть её так рано. Но описанные возможности выглядят как переход к следующему поколению:

• способна получать новые научные результаты, включая решение старой математической задачи;
• рассчитана на долгие многоэтапные задачи;
• позволяет запускать команды автономных AI-агентов, которые совместно работают над сложными бизнес-процессами;
• возможности в кибербезопасности стали настолько сильными, что предварительная версия во время тестирования смогла выйти за ожидаемые рамки и затронуть инфраструктуру Hugging Face.

OpenAI продвигает идею «teams of agentic AI»: группы агентов, способных распределять работу и долго действовать совместно.

GPT-5.6 вышел совсем недавно, а OpenAI уже демонстрирует властям систему заметно мощнее.


https://www.axios.com/2026/07/26/sam-altman-openai-trump-white-house-visit

Анализ данных (Data analysis)

26 July 2026 15:33

Sakana AI выпустила Claude Code-совместимый интерфейс для Fugu-Ultra v1.1 🐡

Теперь вместо одной модели, которая сама пишет, дебажит и запускает код, можно подключить целую команду frontier-моделей прямо из терминала.

Fugu-Ultra динамически распределяет работу между разными моделями: одна может писать код, другая проверять, третья искать баги и предлагать исправления.

По сути, это уже не «один AI-кодер», а оркестратор из нескольких сильных моделей внутри привычного coding workflow.

Пробовать:
https://console.sakana.ai/get-started

Похоже, следующий этап AI-кодинга — это уже не выбор лучшей модели, а умение правильно собрать из них команду.

Анализ данных (Data analysis)

26 July 2026 13:11

😨 Opus 5 собрал онлайн-шутер в духе Call of Duty практически с одного промпта

Автор попросил модель сделать FPS на Three.js с AAA-графикой, физикой и детализацией, а работу разбить между несколькими субагентами.

Отдельным агентам поручили:
• реализовывать разные части игры
• проверять результат визуально
• жёстко критиковать качество
• повторять итерации, пока результат не станет максимально близок к Call of Duty

Fвтор выложил репозиторий и исходный промпт, поэтому результат можно проверить самому.

промпт:

I want you to build a first-person shooter at the level of the most recent Call of Duty games. It should be utterly perfect, visually beautiful, with every single thing done at AAA quality—from textures to physics to anything you could think of.

Fan out sub-agents and have sub-agents tackle each one individually so that the game is utterly perfect. You should /loop on each item and have a separate sub-agent check it visually to ensure it looks triple A. That separate sub-agent should be a really harsh critic, and if it doesn't look triple A, it should keep going.

Don't stop until each sub-agent is utterly wowed with the quality when compared with the actual Call of Duty game. It should literally compare them side by side blind and say which one looks better. Do this in ThreeJS. /loop until it's utterly perfect. Fan out sub-agents and ultracode.

Анализ данных (Data analysis)

25 July 2026 19:36

✔️ ByteDance открыл набор ученых и аспирантов для ML-исследований

Китайский гигант запустил инициативу STEM Scientist в рамках проекта Seed. Компания отберет 100 ученых и аспирантов для полугодовой работы над применением машинного обучения в фундаментальной науке.

Программа предполагает 2 формата: позиции научных консультантов для отраслевых экспертов и стажировки для PhD-студентов STEM-направлений.

Базовое требование - опыт использования ИИ в исследованиях. Навыки программирования станут плюсом.

Со своей стороны ByteDance предоставляет зарплату, доступ к вычислительным ресурсам и работу с собственной ИИ-командой.

Участие требует очного присутствия в пекинском офисе компании. Заявки принимаются до 30 сентября 2026 года.



#news #ai #ml

Анализ данных (Data analysis)

25 July 2026 12:09

🐋 Глава DeepSeek: Nvidia «роет себе могилу» в Китае

Лян Вэньфэн довольно жёстко прошёлся по Nvidia. По его оценке, Huawei 950 SuperNode уже способен заменить GB200/GB300 по рабочим задачам, даже если решение Huawei окажется в 2–3 раза дороже.

Но разрыв в железе остаётся: Лян оценивает соотношение примерно как 4 Huawei 950 = 1 Nvidia GB300, плюс около двух лет технологического отставания.

DeepSeek получила от Huawei около 16 000 карт, то есть примерно 4 000 GB300-эквивалентов по этой оценке. А для обучения модели масштаба крупнейших современных систем, по словам Ляна, потребовалось бы около 50 000 GB300 или 200 000 Huawei 950.

Получается, проблема Китая сейчас уже не только в CUDA и софте. Главный дефицит - физический объём доступных ускорителей.

А Nvidia тем временем получает в Китае конкурента, которого экспортные ограничения только заставляют развиваться быстрее.

Анализ данных (Data analysis)

24 July 2026 19:07

Anthropic выпустила Claude Opus 5

Новая флагманская модель компании уже доступна.

Anthropic позиционирует Opus 5 как модель для сложного кодинга, агентных задач, анализа и длинных рабочих сценариев.

Что заявляют:
• SOTA на Frontier-Bench v0.1 для software engineering
• примерно в 3 раза выше результат на ARC-AGI 3 относительно ближайшего конкурента
• сильные результаты на OSWorld 2.0
• лучше Opus 4.8 в отладке, research и длинных агентных задачах
• модель чаще сама проверяет результат и исправляет ошибки перед финальным ответом

Цена:

$5 / 1M input tokens
$25 / 1M output tokens

Также есть Fast Mode примерно с 2.5× скоростью, но по более высокой цене.

В API модель называется:

claude-opus-5

https://www.anthropic.com/news/claude-opus-5

Анализ данных (Data analysis)

24 July 2026 14:18

Бесплатный вебинар: Как построить современный конвейер данных для BI
Большинство BI-проектов затягиваются не из-за дашбордов, а из-за подготовки данных.

Ручные выгрузки из 1С, сложные SQL-скрипты, доработки и разрозненные источники превращают аналитику в бесконечный процесс.

28 июля команда «Денвик» проведет бесплатный вебинар и расскажет, как автоматизировать весь путь данных: 1С → Экстрактор 1С → Denvic Visual Transformer (DVT) → Хранилище → BI

Вы увидите на практике, как:
🔵 автоматически выгружать данные из 1С без участия пользователей;
🔵 передавать изменения, снижая нагрузку на рабочую базу;
🔵 без усилий очищать, объединять и преобразовывать данные;
🔵 создавать аналитические витрины для BI-платформ;
🔵 сократить сроки запуска BI.

Для кого: IT-директора, аналитики, архитекторы данных, BI-команды и разработчики 1С.

Если вы хотите построить масштабируемую архитектуру данных, отказаться от ручных операций и ускорить внедрение аналитики — вебинар для вас.

Регистрация по ссылке

Анализ данных (Data analysis)

23 July 2026 19:39

Kimi K3 за 27 минут нашла RCE в Redis и собрала рабочий эксплойт 😨

Рой из 32 ИИ-агентов обнаружил уязвимость, которая после авторизации позволяла выполнять произвольный код на сервере.

Через несколько часов система якобы нашла ещё и цепочку атаки на Telegram Desktop и iOS без действий пользователя: через повреждённый видеофайл с автозагрузкой. До полноценного RCE оставался один шаг.

Если результаты подтвердятся, поиск критических уязвимостей ускорился до пугающего уровня.

github.com/berabuddies/redis-poc

@data_analysis_ml

Анализ данных (Data analysis)

23 July 2026 15:45

Если хочешь развиваться в аналитике — войти в профессию, углубиться в науку о данных или вырасти в карьере — в Центральном университете (ЦУ) есть магистратура под каждый сценарий. И на нее можно получить грант до 75%. Места ограничены, дедлайн подачи заявок — 20 августа.

«Продуктовая аналитика» — это офлайн-программа (пары по вечерам и в выходные в центре Москвы). Студенты учатся превращать данные в продуктовые решения: находить точки роста, проектировать эксперименты и строить системы метрик — с сильной технической базой в Python, SQL, статистике и A/B-тестировании.

После первого семестра можно выбрать траекторию «Наука о данных» × Авито — обучение на реальных данных компании, лекции от специалистов и аналитиков Авито, фокус на машинном обучении и инструментах индустрии. Лучшие студенты получают возможность стажировки или оффера. К выпуску — портфолио аналитических кейсов для резюме.

Магистратура в ЦУ — это 2 года обучения и диплом государственного образца, которую можно совмещать с работой. Преподают индустриальные эксперты и исследователи. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.

🏆Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры.

Подробнее о программе и условиях участия в конкурсе — по ссылке

Анализ данных (Data analysis)

23 July 2026 11:03

🏁До старта обработки миллиарда записей 3… 2… 1… клик

Выбирайте не просто СУБД, а гоночный болид для работы с данными.
ClickHouse® в облаке Selectel — машина, адаптированная под предельные нагрузки и сложные трассы. Отлично работает с векторными типами данных, эффективна в запросах для задач поиска семантического сходства, кластеризации или RAG.

Под капотом — SSD-накопители стандарта NVMe, оперативная память DDR5 и процессоры Intel® Xeon®Gold и AMD EPYC™. Мощное железо для максимальной производительности вашей баз данных.

Пройдемся по базе. Что вас ждет после запуска кластера ClickHouse в облаке Selectel?

⚡Скорость. Кластеры рассчитаны на хранение и быструю обработку даже петабайтов данных и обработку тяжелых аналитических запросов.

⚡Надежность. В Multi-AZ кластерах ноды размещены в разных дата-центрах, чтобы инфраструктура продолжила работу даже при отключении одного из узлов.

⚡Экономичный расход. Может выполнять запросы к данным, хранящимся в S3 в формате Iceberg, без их копирования. Это позволяет сократить расходы более чем в два раза по сравнению с использованием только локальных дисков.

На вас — пилотирование, а обслуживание кластера забирает на себя Selectel.

Ускорьте работу с базами данных в облаке Selectel: https://slc.tl/x3zec

Реклама. АО "Селектел". erid:2W5zFJJ3EKT

Анализ данных (Data analysis)

22 July 2026 16:45

Матричная факторизация с планированием на несколько шагов вперед

Исследователи AI VK предложили объединить ALS и Monte Carlo Tree Search.

Обычная матричная факторизация выбирает top-K айтемов по текущей близости эмбеддингов, а новый подход учитывает, как каждая рекомендация изменит профиль пользователя и повлияет на следующие показы.

Процесс представили как RL-среду:

- состояние — эмбеддинг пользователя;
- действие — показ айтема;
- награда — близость к релевантным объектам;
- переход — обновление эмбеддинга по формулам ALS в допущении оптимистичной среды

Эксперименты на MovieLens-1M, KuaiRec, Yambda и VK-LSVD показали прирост относительно статического top-K. На отдельных срезах VK-LSVD Recall@10 вырос ~ в 1,5 раза.

#aivkhub #rl #mcts #als

Анализ данных (Data analysis)

21 July 2026 20:48

Google уже начала обучение Gemini 4 и это будет не просто очередное обновление

Google DeepMind официально подтвердила запуск предварительного обучения Gemini 4, назвав его самым масштабным pre-training-процессом в истории компании.

Это важный сигнал: речь, вероятно, идёт о новом поколении базовой архитектуры, а не о доработке существующей линейки Gemini 3.x.

Параллельно Google продолжает тестировать Gemini 3.5 Pro с партнёрами и обещает выпустить модель, когда она будет полностью готова. Поэтому предположение, что разработку Gemini 4 начали из-за неудачных результатов 3.5 Pro, пока ничем официально не подтверждено.

Что потенциально может измениться в Gemini 4:

- базовая архитектура и подход к обучению;
- качество рассуждений и программирования;
- эффективность работы с длинным контекстом;
- мультимодальность и агентные возможности;
- соотношение производительности, скорости и стоимости.

Сроки релиза Google пока не раскрывает. Но крупнейший тренировочный запуск уже идёт — значит, следующая большая гонка моделей фактически началась.

#google #gemini #ai #llm #deepmind

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/

Анализ данных (Data analysis)

21 July 2026 16:06

The thing Anthropic didn’t see coming 😂

Анализ данных (Data analysis)

21 July 2026 12:41

Fugu-Cyber: ИИ-оркестратор для задач киберзащиты

Sakana AI представила обновление своей системы Fugu - специализированную модель Fugu-Cyber для анализа реальных задач информационной безопасности.

По данным компании, модель показала:

- 86,9% успешных решений на CyberGym
- 72,1% на CTI-REALM
- результаты на уровне GPT-5.5-Cyber и Mythos Preview

CyberGym проверяет способность находить и подтверждать уязвимости в сложных кодовых базах, а CTI-REALM — превращать отчёты об угрозах в рабочие правила обнаружения.

Fugu-Cyber работает как одна модель, но внутри динамически координирует несколько специализированных ИИ-агентов. Пользователь отправляет запрос в единый API, а система сама распределяет многоэтапную задачу между агентами.

При этом Sakana AI подчёркивает: высокая оценка на бенчмарке ещё не делает модель готовой системой защиты. Для работы в реальной инфраструктуре нужны эксперты, интеграция с внутренним кодом и обязательная проверка результатов человеком.

https://sakana.ai/fugu-cyber-release

#ai #cybersecurity #llm #agents #sakanaai

Анализ данных (Data analysis)

19 July 2026 16:04

700+ страниц алгебры, после которых слово “абстрактная” перестаёт пугать

Есть бесплатная PDF-версия Basic Algebra Энтони Кнаппа — большой учебник для сильных студентов старших курсов и первого года магистратуры. Digital Second Edition доступна для личного образовательного использования.

Внутри почти весь фундамент современной алгебры:

* целые числа, многочлены, матрицы
* векторные и евклидовы пространства
* группы и действия групп
* линейные операторы и жорданова форма
* тензоры и внешняя алгебра
* кольца, модули, поля
* теория Галуа
* категории и функторы

Особенно ценно, что это не «конспект на 100 страниц», а полноценный маршрут: от конкретных вычислительных примеров к общей теории. Сам Кнапп пишет, что читателям нравились именно широта книги, раннее введение линейной алгебры и большое количество задач.

Для новичка без опыта доказательств будет тяжеловато. Но если уже умеешь читать строгую математику и хочешь собрать мощную базу по алгебре — это прям серьёзная находка.

PDF: https://math.stonybrook.edu/~aknapp/download/b2-alg-coverandinside.pdf

Анализ данных (Data analysis)

26 July 2026 17:03

🧠 Face ID — это далеко не самая сложная задача в биометрии.

Настоящие проблемы начинаются, когда систему нужно заставить работать не на красивом датасете, а в реальном мире.

Например:
• как отличить человека от фотографии или дипфейка
• что делать, если лицо закрыто маской или очками
• как запускать модели на слабом железе без потери качества
• почему высокий accuracy почти ничего не говорит о надежности системы
• какие метрики действительно важны (FAR, FRR, EER)

Именно эти задачи ежедневно решают инженеры, которые разрабатывают биометрические системы для миллионов устройств.

28 июля в 19:00 пройдет открытый вебинар, где Иван Соломатин — к.т.н., ведущий инженер Samsung Electronics, преподаватель МФТИ и Harbour.Space, автор курсов онлайн-магистратуры MSAI (girafe.ai × МФТИ) разберет, как сегодня строятся современные системы биометрического распознавания.

Обсудим:
• как устроены современные биометрические пайплайны
• какие существуют виды биометрических признаков
• как защищают системы от спуфинга
• почему хорошие модели иногда плохо работают в продакшене

📅 28 июля, 19:00 (МСК)
Формат: онлайн, на платформе Zoom

Участие бесплатное, необходима предварительная регистрация

Если захотите глубже разобраться в Computer Vision, ML Engineering и других направлениях современного AI, посмотреть программу онлайн-магистратуры MSAI можно на сайте
girafe.ai/msai-program

Анализ данных (Data analysis)

26 July 2026 14:00

⚡️ Сколько самостоятельности давать агенту и где ставить границы — успевайте зарегистрироваться, чтобы не пропустить

Вопрос не только в токенах — тот же принцип касается доступа агента к базам, репозиториям, внутренним API. Сколько автономии давать агенту и где проводить границу — тема, которую стоит закладывать в архитектуру заранее, а не разбираться постфактум.

С 27 по 31 июля ШАД проводит онлайн-интенсив AI Agents Security Week – про то, как ставить агентам разумные границы.

Разберут:
• чем агенты отличаются от LLM в модели угроз
• как выдавать доступ к инструментам, не открывая при этом всё на свете
• защиту персональных и корпоративных данных
• типичные уязвимости агентных систем и ошибки конфигурации
• реальные факапы команд, которые уже наступили на эти грабли

Подойдёт ML-разработчикам, DevOps/DevSecOps-инженерам, техлидам, архитекторам, студентам старших курсов.

5 вечерних занятий + отборочное тестирование и итоговая работа для сертификата.

27 июля – последний день подачи заявки по ссылке, после этого регистрация закроется.

Анализ данных (Data analysis)

26 July 2026 11:49

🔥 27B-модель Fable-Fusion метит в новый топ локальных AI-агентов

На Hugging Face набирает популярность Qwen3.6-27B Fable-Fusion-711 — мультимодальный fine-tune Qwen3.6 с упором на reasoning, tool calling и работу в агентных сценариях. Модель распространяется в GGUF и имеет кванты, которые помещаются на потребительское железо.

По заявленным тестам:

• ARC-C: 0.711 в 8-bit и 0.701 в 4-bit
• контекст базовой Qwen3.6 — до 262K токенов нативно
• поддерживаются vision и tool calling
• multi-stage fine-tune с улучшенной структурой reasoning
• есть GGUF-кванты примерно от 12–17 ГБ
• модель специально дорабатывали для снижения количества отказов через Heretic/abliteration.

27B dense-модель пытаются приблизить по качеству reasoning к гораздо более тяжёлым системам, сохраняя возможность локального запуска.


https://huggingface.co/DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF

Анализ данных (Data analysis)

25 July 2026 17:57

Собрать AI-агента по туториалу можно за вечер. Но когда добавляешь память, RAG или несколько инструментов, возникают другие вопросы: почему он свернул не туда, как найти место ошибки и как понять, не сделала ли новая правка систему хуже.

Чтобы развивать такой продукт дальше, нужно понимать, как устроены вызовы модели и инструментов, где хранится контекст, как проверять качество и как вносить изменения.

На курсе «AI-агенты» сначала пишем основные части на API: работу с LLM, structured output, tool-calling, память, RAG и evals. Затем используем LangChain и LangGraph там, где они действительно упрощают разработку, добавляем MCP, мониторинг и деплой. 

Курс идёт 12 недель: живые занятия, практика, разборы решений и ревью кода. На выходе - пять агентных проектов и база, с которой можно собирать свои системы.

→ Посмотреть программу, формат и стоимость курса по ссылке

Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqvrACMx

Анализ данных (Data analysis)

25 July 2026 00:06

Anthropic пишет, что Opus 5 автоматически переключается на Opus 4.8 для части запросов по offensive cybersecurity, потому что Opus 5 стал заметно сильнее в кибербезопасности и компания усилила ограничения.😂

Например, fallback может сработать на запросах про:

• генерацию эксплойтов;
• некоторые виды поиска уязвимостей;
• offensive pentesting.

То есть ты выбираешь Opus 5 → система считает запрос рискованным → тот же запрос отправляется Opus 4.8 → ответ уже генерирует 4.8. После этого чат даже остаётся на 4.8, пока вручную не переключишь обратно.

При этом обычный defensive security, анализ исходников на уязвимости и secure coding остаются доступны в Opus 5. Anthropic отдельно говорит, что большинство cyber-запросов fallback не вызывают.

https://support.claude.com/en/articles/16049681-why-claude-switched-models-in-your-conversation-with-opus-5

Анализ данных (Data analysis)

24 July 2026 15:57

Первый пост Дженсена Хуанга в X - и сразу про открытый ИИ

Дженсен Хуанг наконец завёл X, и свой первый пост посвятил открытым моделям. NVIDIA вместе с Meta, Microsoft, Mistral, Hugging Face, IBM, Mozilla, Palantir и другими компаниями подписала письмо в их поддержку.

Открытые модели позволяют компаниям и государствам скачивать, изучать, изменять и запускать ИИ на собственной инфраструктуре.

Это даёт:
- меньше зависимости от нескольких крупных AI-провайдеров;
- больше контроля над данными и моделями;
- возможность создавать дешёвые специализированные системы;
- больше возможностей для исследователей безопасности;
- технологический суверенитет.

При этом позиция NVIDIA не сводится к войне open source против закрытых моделей. Сам Хуанг ранее говорил, что экосистеме нужны и открытые, и проприетарные frontier-модели.

Хороший первый пост. Особенно на фоне разговоров об ограничениях открытых моделей: один из самых влиятельных людей в AI-индустрии публично встал на их сторону.

https://x.com/Machinelearrn/status/2080653700205318331

Анализ данных (Data analysis)

24 July 2026 12:01

🖥 NVIDIA снизила логические ошибки в квантовых вычислениях более чем в 300 раз

NVIDIA показала Ising Decoder ColorCode 1 Fast для квантовой коррекции ошибок. В тесте с color codes он дал до 347,7× меньший Logical Error Rate и одновременно работал в 7,3× быстрее Chromobius при distance=31 и физической ошибке 0,3%.

В основе подхода небольшая 3D CNN, которая предварительно обрабатывает синдромы ошибок и убирает большую часть локальных ошибок до запуска основного декодера. Это снижает задержку и делает color codes практичнее для коррекции ошибок в реальном времени.

Модель компактная: около 2,9 млн параметров и 17 слоёв. Её можно адаптировать под конкретный QPU, профиль шума и требуемый баланс между скоростью и точностью.

NVIDIA открыла веса, тренировочные рецепты и пайплайн генерации синтетических данных на базе cuQuantum и cuStabilizer. Код обучения опубликован под Apache 2.0.

https://developer.nvidia.com/blog/nvidia-ising-decoding-cuts-color-code-logical-error-rates-by-over-300x/

Анализ данных (Data analysis)

23 July 2026 17:45

10 GitHub-репозиториев, которые слишком хороши для бесплатных
1. OmniRoute

Единый OpenAI-совместимый эндпоинт для сотен моделей и провайдеров. Поддерживает Claude Code, Codex, Cursor и Cline, автоматическое переключение между бэкендами и сжатие контекста.

https://github.com/diegosouzapw/OmniRoute

2. OfficeCLI

CLI для создания и редактирования файлов Word, Excel и PowerPoint с помощью ИИ-агентов. Microsoft Office устанавливать не нужно.

https://github.com/iOfficeAI/OfficeCLI

3. System Prompts Leaks

Коллекция системных промптов Claude, ChatGPT, Gemini, Grok, Cursor, Copilot и других продуктов.

https://github.com/asgeirtj/system_prompts_leaks

4. OpenCut

Open-source видеоредактор в браузере, который развивается как альтернатива CapCut.

https://github.com/OpenCut-app/OpenCut

5. AI Job Search

Агент на базе Claude Code, который анализирует вакансии, адаптирует резюме, пишет сопроводительные письма и готовит вопросы для интервью.

https://github.com/MadsLorentzen/ai-job-search

6. Meetily

Локальная расшифровка и суммаризация встреч с Whisper, Parakeet и Ollama. Бэкенд написан на Rust.

https://github.com/Zackriya-Solutions/meetily

7. Vibe-Trading

Платформа для исследования рынков и создания торговых стратегий с помощью естественного языка и ИИ-агентов.

https://github.com/HKUDS/Vibe-Trading

8. Strix

Open-source сканер безопасности, который использует ИИ-агентов для поиска и проверки уязвимостей.

https://github.com/usestrix/strix

9. Superpowers

Набор навыков и рабочих процессов для ИИ-кодеров: планирование, TDD, выполнение задач и проверка результата.

https://github.com/obra/superpowers

10. Firecrawl

Превращает сайты в чистые данные для LLM, RAG и агентных пайплайнов.

https://github.com/firecrawl/firecrawl

Все проекты имеют открытый исходный код и точно заслуживают места в закладках.

Анализ данных (Data analysis)

23 July 2026 12:35

Google Cloud вырос на 82% за год

Выручка облачного подразделения Alphabet достигла $24,8 млрд за квартал. В пересчёте на год это почти $100 млрд. Контрактные обязательства Google Cloud выросли до $514 млрд, превысив прогноз аналитиков в $488 млрд.

Рост всё сильнее связан с ИИ-инфраструктурой: облачными GPU, собственными TPU и доступом к моделям через Vertex AI. Результаты Alphabet стали первой серьёзной проверкой того, окупается ли гонка капитальных затрат на дата-центры. Только в 2026 году крупнейшие технологические компании собираются потратить на инфраструктуру более $700 млрд.

Одним из драйверов Google Cloud, вероятно, стала Anthropic. Компания заказала до миллиона TPU стоимостью в десятки миллиардов долларов, которые должны добавить более 1 ГВт мощности в течение 2026 года. С 2027 года партнёрство с Google и Broadcom расширится ещё на несколько гигаватт вычислений.

Google уже показывает, что огромные расходы на ИИ способны превращаться в реальную облачную выручку. Теперь главный вопрос: хватит ли темпов роста, чтобы оправдать сотни миллиардов новых инвестиций.

Анализ данных (Data analysis)

22 July 2026 18:03

SpaceXAI строит ещё один гигантский дата-центр

По данным The Information, компания рассматривает несколько площадок в Техасе. Мощность нового комплекса может составить не менее 1 ГВт, то есть быть сопоставимой или даже превосходить инфраструктуру SpaceXAI в Мемфисе. Среди вариантов: строительство с нуля или переоборудование существующего склада. Компания уже нанимает специалистов по дата-центрам в Остине, Бастропе и Конро.

CEO Supermicro Чарльз Лян также заявил, что компания поможет SpaceXAI запустить «ещё один гигаваттный AI-дата-центр» менее чем за год. Место он не раскрыл.

SpaceXAI ускоренно превращается в полноценного AI-гиперскейлера: собственные модели, вычислительные кластеры, энергетическая инфраструктура, спутниковая связь и в перспективе орбитальные дата-центры. Новый проект в Техасе станет ещё одной заявкой на лидерство в гонке вычислительных мощностей.

http://theinformation.com/articles/spacexai-explores-major-data-center-expansion-texas

Анализ данных (Data analysis)

22 July 2026 10:15

UnMaskFork: несколько диффузионных моделей вместе решают одну задачу

Статья от Sakana UnMaskFork, принятая на ICML 2026, предлагает новый способ масштабирования вычислений во время вывода для маскированных диффузионных языковых моделей.

Обычные LLM генерируют текст последовательно - токен за токеном. Маскированные диффузионные модели начинают с полностью скрытого текста и постепенно восстанавливают его части, причём могут заполнять несколько фрагментов параллельно.

Но привычный подход к test-time scaling - повысить температуру и сгенерировать много разных ответов, для таких моделей работает не слишком эффективно.

UnMaskFork решает проблему иначе:

- несколько диффузионных моделей работают над одним ответом;
- каждая по очереди раскрывает те участки, в которых наиболее уверена;
- промежуточный результат передаётся следующей модели;
- поиск по дереву Монте-Карло выбирает наиболее перспективную последовательность действий.

Разнообразие создаётся не случайностью, а переключением между моделями с разными сильными сторонами.

В экспериментах подход улучшил результаты Dream-Coder на задачах по программированию и показал стабильный рост качества на математических бенчмарках при увеличении вычислений во время вывода.

При этом UnMaskFork:

- не требует дополнительного обучения;
- не меняет внутреннюю архитектуру моделей;
- работает как отдельный алгоритм координации;
- позволяет комбинировать модели, обученные на разных данных и разными методами.

Работа продолжает исследования Sakana AI в области «коллективного разума» моделей - систем, где результат достигается не одной большой LLM, а координацией нескольких разных моделей.

Блог: https://pub.sakana.ai/umf
Статья: https://arxiv.org/abs/2602.04344

#AI #LLM #DiffusionModels #ICML2026 #MachineLearning #SakanaAI

Анализ данных (Data analysis)

21 July 2026 20:46

⚡️ Google представила 3 новые модели Gemini

Cемейство Gemini пополнилось моделями 3.6 Flash, 3.5 Flash-Lite и специализированной 3.5 Flash Cyber.

🟡Gemini 3.6 Flash

Модель расходует на 17% меньше выходных токенов, чем предыдущая версия 3.5 Flash. Говорят, что подтянули у неё кодинг и офисные задачи.

Стоимость - 1,5 доллара за миллион входных и 7,5 доллара за миллион выходных токенов.

Ориентирована на массовые и быстрые задачи. Заявленная скорость - 350 токенов в секунду при цене 30 центов за миллион входных токенов.

Модель, натасканная на поиск и исправления уязвимостей в коде, которая не поступит в открытый доступ - её получат только правительства и доверенные партнёры в рамках ограниченной пилотной программы.

Анализ данных (Data analysis)

21 July 2026 15:02

Китай, похоже, заканчивает эпоху “берите наши open-weight модели и делайте что хотите”

Пекин обсуждает новые экспортные ограничения для AI и чипов. По данным FT/Reuters, Минкоммерции Китая уже консультировалось с Alibaba, ByteDance и Zhipu: как ограничить вывод training data за рубеж и стоит ли дальше разрешать иностранцам скачивать веса самых сильных моделей.

Причина - китайские frontier-модели всё чаще выходят open-weight. После Kimi K3 это стало особенно чувствительно: Moonshot представила 2.8T-модель и заявила, что она приближается к уровню американских frontier-систем.

Когда Китай догонял, открытость была оружием: раздать веса, ускорить adoption, ударить по закрытым западным моделям.

Теперь, когда разрыв с США уменьшился, те же веса выглядят уже не как маркетинг, а как стратегический актив.

И ограничения могут коснуться не только моделей. Обсуждаются меры, которые не дадут зарубежным производителям вроде Qualcomm и TSMC делать продвинутые чипы по дизайнам Huawei, Alibaba и ByteDance. Также возможны ограничения на зарубежные покупки стратегических AI-стартапов, включая agentic AI.

Китай начинает охранять AI так же жёстко, как редкоземы, чипы и другие рычаги технологической власти.

Open-source был стратегией андердога.

Похоже, Пекин уже не считает себя андердогом.

https://www.reuters.com/world/asia-pacific/china-considers-tighter-export-controls-ai-models-chips-ft-reports-2026-07-21/

Анализ данных (Data analysis)

20 July 2026 10:33

ИИ-агенты часто ломаются ещё до того, как начинает ошибаться модель

В работе “AI Agents Do Not Fail Alone: The Context Fails First” исследователи показали: будущий сбой агента можно предсказать по его окружению ещё до завершения задачи.

Причина часто находится в том, что ей дали:

- расплывчатую роль и инструкции
- плохо описанные инструменты
- недостаточно фактов и доказательств
- противоречивые правила
- слабую память
- уязвимые защитные ограничения
- неудачно распределённый контекст

Авторы оценивали среду агента отдельно от его итогового результата. Поэтому метрика не угадывает поведение по ответу, а измеряет качество условий, в которых работает система.

На 300 тестах и 7500 шагах одни и те же фиксированные модели заметно улучшили результаты после перехода от хаотичного контекста к структурированному.

Больше фактических данных снижало число галлюцинаций. Чёткое описание инструментов улучшало tool use. Сильные guardrails повышали устойчивость к манипуляциям.

Но обнаружился и компромисс: чрезмерно защищённые агенты иногда становились слишком осторожными и хуже решали обычные задачи.

Прежде чем менять модель, стоит проверить промпты, инструменты, память, фактическую базу и правила безопасности.

https://arxiv.org/abs/2607.14275

#ai #agents #llm #research

Анализ данных (Data analysis)

19 July 2026 14:13

⚡️ AgentField: попытка сделать AI-агентов нормальными backend-сервисами

Большинство agent-фреймворков помогает написать логику агента. AgentField пытается закрыть другой слой: как запускать агентов в проде, как API и микросервисы. Репозиторий уже набрал около 2.4K звёзд.

Идея такая: ты пишешь обычные функции на Python, Go или TypeScript, а AgentField превращает их в REST endpoints, добавляет routing, retries, async execution, memory, observability и coordination.

Что обещают из коробки:

* один агент на ноутбуке → тысячи агентов в workflow
* fan-out запросов через control plane
* очереди и retry без ручной сборки инфраструктуры
* traces, DAGs, metrics и audit trails
* memory scopes: global, actor, session, workflow
* human approval для критичных решений
* SDK для Python, Go и TypeScript
* деплой через Docker Compose, Kubernetes и production setups

AgentField можно использовать прямо из coding agents: Claude Code, Codex, Gemini CLI, OpenCode, Aider, Windsurf и Cursor. По README, ты описываешь систему одной строкой, а получаешь Docker Compose stack с агентом, control plane и REST API.

Технически control plane — stateless Go-сервис, который масштабируется горизонтально, а durable очередь работает через PostgreSQL с lease-based processing, чтобы задачи не терялись при падениях и рестартах.

https://github.com/Agent-Field/agentfield