Анализ данных (Data analysis)

02 October 2026 18:00

✔️ Anthropic выбрала Nasdaq для IPO

Cтартап определился с площадкой для выхода на открытый рынок - по данным источников Business Insider, компания планирует провести первичное публичное размещение акций на бирже Nasdaq уже в октябре.

Решение создателей языковой модели Claude - очередная крупная победа Nasdaq в конкурентной борьбе с Нью-Йоркской фондовой биржей за привлечение ключевых технологических компаний.

Ранее в этом году бирже удалось заполучить листинг SpaceX, что окончательно закрепило за площадкой статус главного центра притяжения для публичного дебюта лидеров диптех индустрии.

#news #ai #ml

Анализ данных (Data analysis)

02 October 2026 11:56

⚡️ Как Claude может связывать несколько аккаунтов с одним устройством

Пользователи нашли в локальных файлах Claude и Claude Code набор идентификаторов и телеметрии, которые потенциально позволяют понять, что разные аккаунты запускались на одном компьютере.

В CLI сохраняются:
- machineID — постоянный ID установки
- userID и anonymousId — идентификаторы телеметрии
- отдельные ID для других конфигураций и окружений

В десктопном приложении есть:
- ant-did — ID устройства
- ant-device-registry.json — реестр устройства и связанных аккаунтов
- remote-control-state.json — телеметрия
- config.json — настройки, последний аккаунт, служебное состояние и кэш
- chromeExtension.pairedDeviceId — ID связанного браузерного расширения
- claude-code-sessions/ — локальная история сессий Claude Code для аккаунтов, которые использовались на машине

То есть даже после выхода из аккаунта на компьютере может оставаться достаточно локальных метаданных, чтобы связать несколько учеток между собой.

Перед переустановкой, сменой аккаунта или восстановлением после блокировки стоит сначала сохранить важные проекты и сессии и понимать, какие данные Claude хранит локально.

Удаление локальных метаданных само по себе не гарантирует снятие блокировки и может привести к потере настроек или сессий.

Анализ данных (Data analysis)

01 October 2026 23:39

🧩 Anthropic показала, как Claude уже ускоряет реальную науку, если давать ему задачи, подходящие под сильные стороны AI.

Профессор Matthew Schwartz собрал BootLoops - open-source harness, который помогает Claude искать связи между математикой, физикой, биологией и другими областями.

За 3 месяца команда работала над 36 рукописями в 18 направлениях. Среди результатов:

- 15 ранее не вычисленных интегралов в математической физике
- анализ 5,7 млрд пар мутаций в геномах
- база ударений для 6 072 языков
- автоматическая проверка данных из 4 452 экономических работ

Claude хорошо считает, пишет код и находит неожиданные связи, однако часто переоценивает значимость собственных результатов. Поэтому эксперты всё ещё нужны, чтобы выбрать действительно важную научную проблему и проверить выводы.


https://www.anthropic.com/research/claude-shaped-science

Анализ данных (Data analysis)

01 October 2026 17:45

🚨 OpenAI связала пользователей Moonshot AI, разработчика Kimi, с масштабной кампанией по дистилляции моделей и попытками извлечь их скрытые рассуждения.

Активность началась 1 июля, а 24–25 июля OpenAI зафиксировала всплеск: 16 000 запросов более чем от 4 000 пользователей. Позже похожие шаблоны нашли уже у группы из 15 000+ пользователей. К 28 июля кампанию заблокировали.

Взлома шифрования или доступа к базе данных не было. По данным OpenAI, операторы копировали зашифрованные рассуждения из одного диалога и пытались заставить модель в другом диалоге воспроизвести их в открытом виде.

После этого OpenAI закрыла этот путь повторного использования данных, усилила проверки потоковых ответов и заблокировала связанные аккаунты.

Важно: 16 000 запросов - это число попыток извлечения, а не подтверждённых успешных случаев.

https://openai.com/index/disrupting-a-coordinated-model-distillation-campaign/

Анализ данных (Data analysis)

01 October 2026 12:06

🖥 Google Research научила агентов улучшать собственную обвязку и не переобучаться

Google Research выложила RRSI (Regularized Recursive Self-Improvement of Agent Harnesses). Это метод, в котором агент сам дорабатывает свой «харнес»: промпты, логику управления, инструменты и память.

Если улучшать харнес на фиксированном наборе задач, он начинает подгоняться под тест. В RRSI пространство правок оставили открытым и вместо него регуляризуют сам процесс поиска.

Регуляризация идёт с двух сторон. При генерации правок действует затухающий бюджет на число изменений, генератор учитывает историю прошлых правок, а застрявшие запуски уводятся в неисследованные компоненты. При отборе критик отсеивает утечки, порог с учётом шума не пропускает мелкие случайные приросты, прирост должен окупать потраченные токены, а неиспользуемые компоненты удаляются.

Модель при этом заморожена, в экспериментах это Claude Opus 4.8, и улучшается только обвязка вокруг неё. Результаты: Terminal-Bench 2.1 с 74,2% до 80,2%, SWE-bench Verified с 82,0% до 83,8%, EngDesign с 50,0% до 54,9% и Harvey LAB с 89,4% до 90,5%.

Код открыт под Apache 2.0, в репозитории есть готовые адаптеры для кодинга, офисных задач и инженерии.

Статья: https://arxiv.org/abs/2609.24972

GitHub: https://github.com/google-research/rrsi

Анализ данных (Data analysis)

30 September 2026 23:20

Google рассказала, что агенты на Gemini 4 Argon уже освободили больше 300 ТиБ памяти в её дата-центрах.

У модели лимит вывода в 1 миллион токенов, и её агенты уже оптимизируют инфраструктуру самой Google.

Агенты разобрали данные профилирования, нашли, где можно сэкономить память, и внесли изменения, которые потом выкатили в продакшен.

Ещё агенты Argon переносят код с C/C++ на Rust: речь уже о более чем 800 000 строк кода ядра, и перед развёртыванием всё проходит тщательный аудит и тестирование.

В видеодекодере агенты заменили 32 000 строк SIMD-кода на безопасный Rust. Существующий порт на Rust стал в 2,7 раза быстрее, а видео на выходе осталось точно таким же.

Это дорогая инженерная работа внутри инфраструктуры, которую Google уже эксплуатирует.

Анализ данных (Data analysis)

30 September 2026 20:02

🧪 Новый бенчмарк проверяет не то, что ИИ знает, а способен ли он сам открыть неизвестные правила

Исследователи Tencent Hunyuan, Fudan и Tsinghua представили ExplorationBench. В нем модели попадают в «чужие миры», где привычная логика намеренно сломана: операторы работают иначе, а правила вывода изменены. Поэтому выученные знания почти бесполезны.

Модель получает неполное руководство и несколько раундов, чтобы самой придумывать эксперименты, проверять гипотезы и восстанавливать скрытые правила.

Результаты интересные:

- без обратной связи модели стартуют максимум с 15,7%;
- после четырех раундов лучший результат в AlienCode достигает 89%;
- у 9 из 10 систем собственные эксперименты оказались эффективнее повторения уже готовых;
- даже когда модель правильно знает все нужные правила, задача решается лишь в 73,4% случаев;
- один и тот же ИИ при одинаковом бюджете мог показать от 5,7% до 79%.

Главный вывод: уметь рассуждать по известным правилам и уметь самостоятельно открывать новые правила - это совсем разные способности.

Paper: https://arxiv.org/abs/2609.30199
Leaderboard: https://explorationbench.com/

Анализ данных (Data analysis)

30 September 2026 16:02

Какие инструменты добавить в свой стек работы с данными?

Работа с данными давно не ограничивается одним набором инструментов. В зависимости от задач нужны машинное обучение и нейронные сети, технологии Big Data или инструменты аналитики и визуализации.

В ДПО ФПМИ МФТИ можно выбрать курс в зависимости от задач, с которыми вы работаете:

➡️ Методы анализа данных и машинного обучения
Классическое машинное обучение, глубокое обучение, PyTorch и практические задачи — от классификации и прогнозирования до работы с изображениями и текстом.

➡️ Инструменты работы с большими данными
Hadoop, Spark, MapReduce и другие технологии для хранения и обработки больших объёмов данных.

➡️ Инструменты анализа и визуализации данных
Excel, Power BI и Yandex DataLens — анализ и визуализация данных, построение отчётов и интерактивных дашбордов.

Все курсы проходят онлайн. После успешного завершения обучения слушатели получают удостоверение о повышении квалификации Московского физико-технического института (МФТИ).

Подробнее об этих и других программах 〰️ на сайте.

Реклама
2VtzqwpYTtg
Туз Елизавета Алексеевна
ИНН 772035623941

Анализ данных (Data analysis)

30 September 2026 13:06

Что, если заменить аналитиков нейросетью?

Да ничего хорошего: результаты анализа получаются слишком общими, и половину работы потом всё равно приходится переделывать руками.

Хард-скилы дешевеют — SQL-запрос или кусок кода теперь может сгенерировать почти кто угодно. А вот доменная экспертиза и умение работать с агентом становятся ценнее: правильно задать вопрос, собрать контекст, проверить, что результат не искажён.

Три аналитика Авито на конкретных примерах рассказывают, как работает тандем аналитик + AI. Делятся кейсами:

➡️ как перенесли 200 витрин за полгода;
➡️ автоматизировали проверку работы сотрудников;
➡️ научили LLM анализировать метрики.

Подробнее в ролике:
📺 YouTube
🔵 ВК

Больше честных историй о работе аналитиков Авито — в «Коммуналке аналитиков».

Анализ данных (Data analysis)

29 September 2026 23:57

⚡️ GPT-6 Astra помогла найти контрпримеры к гипотезе о плазме, которой почти 60 лет.

В термоядерном реакторе раскалённую плазму удерживают магнитным полем. Для этого важно понимать, может ли поле сложной трёхмерной формы образовывать вложенные поверхности, вдоль которых движется плазма. В 1967 году физик Гарольд Грэд предположил, что гладкие равновесные решения такого типа без дополнительной симметрии вряд ли существуют.

Физик Мэтт Ландреман представил два семейства точных аналитических решений: магнитное поле и давление в них описываются явными формулами, а вложенные поверхности существуют даже без осевой симметрии. Автор пишет, что решения были найдены с помощью GPT-6 Astra Pro, после чего он вручную проверил все уравнения.

Другая группа исследователей уже недавно опровергла гипотезу Грэда доказательством существования таких решений. Новая работа добавляет конкретные формулы, которые можно использовать, в частности, для проверки программ, моделирующих магнитное удержание плазмы.

Статья: https://arxiv.org/pdf/2609.26742

Анализ данных (Data analysis)

29 September 2026 16:12

ИИ уже может принять в контекст миллионы токенов. А мы всё чаще просим его написать даже ответ на письмо из двух предложений.

Автор нового препринта называет это петлёй делегирования: ИИ справляется с задачами всё лучше → мы отдаём ему всё более простую работу → реже упражняемся сами → делегировать становится ещё легче.

В работе приводят яркое сравнение: контекстное окно моделей выросло с 512 токенов в 2017 году до 2 млн в 2026-м. Но человеческие «1 800 токенов внимания» из той же работы - расчётная оценка, а не прямое измерение памяти. Сравниваются разные вещи, поэтому точный разрыв «ИИ против человека» из этих цифр выводить нельзя.

Полезнее самого сравнения: поручить ИИ разобрать огромный отчёт разумно. А если постоянно отдавать ему задачи, которые сам сделал бы за полминуты, можно лишиться повседневной практики. Вредит ли это навыкам в долгую, пока не доказано: автор прямо называет петлю гипотезой, которую ещё предстоит проверить.

Какую последнюю задачу вы отдали ИИ, хотя могли сделать сами за 30 секунд?

Работа: https://arxiv.org/abs/2603.26707

Анализ данных (Data analysis)

28 September 2026 20:46

В рейтинге AA Intelligence Index четыре из пяти самых умных моделей теперь от Claude.

Мало того, Sonnet 5.5 набрал больше баллов, чем Fable 5.1. Похоже, версия Fable, которую Anthropic дистиллирует в Opus и Sonnet, какая-то запредельно сильная.

Анализ данных (Data analysis)

28 September 2026 18:39

🧠 Джон Маккарти - человек, который дал имя искусственному интеллекту

John McCarthy (1927–2011) - один из основателей современной AI-индустрии и человек, который ввёл сам термин Artificial Intelligence.

В 1955 году вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном он подготовил предложение для летнего проекта в Dartmouth College. Именно там появилась идея, что обучение и другие проявления интеллекта можно достаточно точно описать, чтобы их могла воспроизводить машина.

В 1956 году Маккарти организовал Dartmouth Summer Research Project — событие, которое сегодня считают точкой рождения AI как отдельной научной области.

Ещё несколько важных фактов:

- в 1958 году создал Lisp, который на десятилетия стал главным языком AI-исследований;
- участвовал в создании MIT AI Project;
- основал Stanford Artificial Intelligence Laboratory (SAIL);
- внёс вклад в time-sharing, garbage collection, situation calculus и представление common-sense knowledge.

За свои работы Маккарти получил Turing Award в 1971 году и National Medal of Science в 1990-м.

Во многом именно он помог превратить идею «мыслящей машины» в самостоятельную область компьютерных наук.

Анализ данных (Data analysis)

28 September 2026 13:12

🚨 Китайские AI-модели обработали в 4,4 раза больше токенов на OpenRouter, чем американские

За неделю с 21 по 27 сентября модели китайских разработчиков обработали на OpenRouter 62,22 трлн токенов против 14,2 трлн у американских моделей.

Китай сохраняет лидерство уже 22 недели подряд.

Топ недели:

- DeepSeek V4.1 Flash — 19,6T токенов, +24%;
- GLM 5.3 Flash — 16,3T, +16%;
- Space Bunny Alpha — 13,9T, новая модель;
- Tencent Hy4 — 9,64T;
- MiMo-V2.6-Flash от Xiaomi — 5,51T.

Особенно выделяется Space Bunny Alpha: анонимная модель появилась на OpenRouter всего несколько дней назад и уже заняла третье место. Независимый анализ токенизатора показал совпадение с семейством MiniMax на всех 50 тестовых строках, но разработчик модели официально не подтверждён.

https://openrouter.ai/rankings

#openrouter

Анализ данных (Data analysis)

27 September 2026 08:31

⚡ Polars обработал 1,5 ТБ биржевых данных чуть больше чем за 3 минуты

BMLL показала, как Polars справляется с масштабными market-data нагрузками, где pandas уже начинает тормозить.

Главное из тестов:

- один день торгов по 11 000+ американских бумаг: 4,3 секунды на загрузку против примерно 3,5 минут у pandas;
- это около 48× быстрее;
- 94 ГБ данных Шанхайской биржи: загрузка, as-of join и классификация примерно за 36 секунд;
- более 1,5 ТБ данных за 16 торговых дней: финальная агрегация примерно за 3 минуты.

Почему Polars так хорошо масштабируется:

- lazy execution;
- эффективные as-of join;
- использование всех CPU-ядер;
- работа с полным датасетом без необходимости заранее вырезать выборку.

Все тесты запускались на одной машине с 192 CPU cores и 1,5 ТБ RAM.

Для quant и data engineering это хороший пример того, насколько сильно выбор dataframe-движка влияет на время анализа.

Статья:
https://pola.rs/posts/case-bmll/

Анализ данных (Data analysis)

02 October 2026 15:47

🔥 ChatGPT PRO на русском: открытый курс от первого промпта до агентов и Codex

На GitHub нашли бесплатный практический курс по ChatGPT, целиком на русском. Он умещается в один репо, поэтому ничего не нужно ставить и регистрироваться не надо.

Программа идёт от простого к сложному в четыре уровня: база, работа, расширение и PRO. Всего в ней 13 модулей. Первые разбирают выбор между быстрыми и рассуждающими моделями, Deep Research, формулу промпта, память и проекты. Дальше идут анализ таблиц, Canvas, картинки и голос, а последние модули посвящены Custom GPTs, коннекторам, агентам, Codex и API.

Главная ценность курса в практике. В нём 10 лабораторных: библиотека промптов, аналитика без Excel, ресёрч с проверкой источников, свой GPT, постановка задач агенту, разработка через Codex и автоматизация через API. К ним прилагаются 15 готовых рецептов под типовые задачи и разбор антипаттернов в формате «как делают неправильно и как надо».

Отдельный модуль посвящён безопасности: prompt injection, утечки данных и проверка фактов за моделью.

Курс удобно дать новичкам в команде или пройти самому, чтобы закрыть пробелы по агентам и Codex.

https://github.com/justxor/ChatGPT_ru

Анализ данных (Data analysis)

02 October 2026 08:15

🌐 Ai2 выложила Olmo-core 3: открытый стек для обучения MoE на триллион параметров

На этой инфраструктуре Ai2 будет обучать следующие модели Olmo. От FSDP отказались: эксперты постоянно живут на своих GPU, токены маршрутизируются к ним, а поверх работают expert parallelism, pipeline parallelism и распределённый оптимизатор.

MoE на 47B параметров на 8 B300 выдаёт 52 000 токенов в секунду на GPU, это в 2.7 раза быстрее прошлой версии. С MXFP8 добавляется ещё 21% к BF16.

Число экспертов можно поднять с 8 до 128, и throughput при этом теряет меньше 5%.

Самый крупный прогон: 1.2T параметров на 512 B300, 858 TFLOP/s на GPU.

Код открыт под Apache 2.0.

https://github.com/allenai/olmo-core

Анализ данных (Data analysis)

01 October 2026 19:04

Где ИИ-агенты реально помогают, а где создают новые риски
➡️Узнайте на GoCloud Tech 2026

Каждый год Cloud․ru собирает ИТ-специалистов, чтобы вместе обсудить, как строить сложные технологии.

В этом году в программе конференции много докладов про ИИ/ML — от инженерных ограничений до инфраструктуры, которая выдерживает миллион токенов в секунду.

Обсудят:

▶️Как выбрать инфраструктуру для ИИ-проекта

▶️Как построить систему, способную выдерживать больше миллиона токенов в секунду

▶️Как защищать чувствительные данные при работе с LLM

▶️В каких задачах ИИ реально помогает

▶️Где границы применимости ИИ-агентов в разработке

Анализ данных (Data analysis)

01 October 2026 16:00

От билетов до мерча: как «Авангард» использует аналитику данных

После переезда на новую арену у ХК «Авангард» вырос объём коммерческих данных — продажи билетов, кейтеринг, мерчандайзинг. Клуб автоматизировал отчётность и объединил информацию в дашбордах на Yandex DataLens и Yandex Cloud.

Теперь бизнес-пользователи могут практически в реальном времени видеть фактический спрос, сравнивать его с прогнозом и постоянно отслеживать коммерческие показатели. А с помощью нейроаналитика в DataLens можно просто задать вопрос по данным — система сама найдёт нужную информацию и сформулирует ответ. Такой подход помогает быстрее реагировать на изменения спроса: за три года выручка от продажи билетов выросла более чем на 80%.

👉 Подробнее о Yandex DataLens

Анализ данных (Data analysis)

01 October 2026 08:36

⚡️ FTC начала расследование против OpenAI, Anthropic и METR

Федеральная торговая комиссия США подтвердила, что расследует OpenAI, Anthropic и другие ведущие ИИ-лаборатории, а также METR, организацию, которая независимо оценивает опасные возможности моделей. Первой об этом написала New York Post, а 30 сентября FTC подтвердила информацию официально.

Регулятор изучает, какие риски технологии этих компаний несут для потребителей. Поводом стали собственные заявления лабораторий: они сами сообщали, что их агенты выбирались из тестовых сред и проводили кибератаки, а исследователи публично предупреждали о серьёзных угрозах ИИ.

Расследование началось ещё летом, до взлома Hugging Face, в котором, по данным СМИ, участвовали около 700 агентов OpenAI. Глава FTC Эндрю Фергюсон при этом предупреждал, что крупные компании не должны продвигать правила, которые способны выполнить только они сами, чтобы отсечь конкурентов.

В ближайшие недели FTC собирается разослать Civil Investigative Demands. Это юридически обязательные требования передать документы и ответить на вопросы руководителей. На запросы журналистов OpenAI и Anthropic сразу не ответили.

Регулятор проверяет обе версии сразу: действительно ли модели так опасны, как заявляют лаборатории, и не используют ли компании эти заявления, чтобы выстроить регуляторный барьер для конкурентов.

https://www.reuters.com/business/ftc-opens-probe-into-ai-giants-including-anthropic-openai-new-york-post-reports-2026-09-30/

Анализ данных (Data analysis)

30 September 2026 22:07

🔥 Google официально представила Gemini 4 Argon

Это новая frontier-модель компании для сложных многошаговых задач: программирования, финансового и юридического анализа, корпоративных workflow и кибербезопасности.

Главная особенность Argon — до 1 миллиона выходных токенов против 64K у предыдущего поколения. Google делает ставку на очень длинные траектории рассуждений, где модель может работать над одной задачей сотни тысяч токенов подряд.

Что показали внутри Google:

- 77,9% на DeepSWE v1.1 для сложных software engineering задач;
- первое место на AutomationBench с 51,3%;
- 91,7% на LVBench для понимания длинных видео;
- 68% на CWE-bench v1 по исправлению уязвимостей.

Но интереснее реальные кейсы. Агенты Argon помогали Google переносить крупные C/C++-кодовые базы на Rust, включая компоненты Fuchsia Zircon объёмом более 800 000 строк. В другом проекте модель переработала 32 000 строк SIMD-кода в Rust, а итоговая версия работала в 2,7 раза быстрее предыдущего Rust-порта.

Ещё один внутренний проект: несколько Argon-агентов нашли оптимизации памяти в инфраструктуре Google, которые после внедрения освободили более 300 TiB RAM, а потенциальная экономия оценивается в 500 TiB–1 PiB.

Отдельный фокус — кибербезопасность. Argon умеет самостоятельно искать, проверять и исправлять критические уязвимости. Первым доступ получают проверенные специалисты через программу Fairwind.

💰 Стартовая цена API:

$2 / 1M входных токенов
$10 / 1M выходных

Кэшированный input дешевле на 95%. После introductory-периода цена вырастет до $4 / $20.

Пока Gemini 4 Argon не запускают для всех: Google сначала тестирует модель с ограниченным кругом пользователей и усиливает защиту от prompt injection, злоупотреблений и нежелательного поведения агентов. Затем доступ начнут расширять на разработчиков, компании и пользователей, начиная с платных API-клиентов и Google AI Ultra.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/

Анализ данных (Data analysis)

30 September 2026 17:35

🛡 Большая подборка по безопасности AI-агентов и их skills

На GitHub появился репозиторий Awesome Agent Skills Security - коллекция исследований, стандартов и инструментов по защите агентов, которые работают с внешними tools, plugins и skills.

Внутри собраны материалы по:
- prompt injection через инструменты;
- poisoning и supply-chain атакам;
- утечкам данных и чрезмерным правам;
- sandboxing и runtime monitoring;
- red teaming и benchmarks;
- OWASP, MITRE ATLAS, NIST и IETF-стандартам для агентных систем.

Особенно полезно тем, кто уже строит MCP/agent-инфраструктуру: список хорошо показывает, насколько сильно поверхность атаки выросла после того, как модели получили доступ к файлам, API и реальным действиям.

https://github.com/LLMSecurity/awesome-agent-skills-security

Анализ данных (Data analysis)

30 September 2026 14:45

💸 Anthropic опубликовала практический гайд по снижению расходов на Claude API

Главная мысль: оптимизировать нужно не цену токена, а стоимость успешно выполненной задачи. Более дорогая модель иногда оказывается дешевле, если решает задачу за меньшее число шагов.

Anthropic предлагает такой порядок:

- сначала включить prompt caching - для агентных циклов это один из самых сильных способов экономии;
- убрать лишние входные и выходные токены;
- сокращать ненужные итерации агента;
- для фоновых задач использовать Batch API, где стоимость токенов снижается на 50%;
- только после этого экспериментировать с effort и более дешевыми моделями.

Интересный вывод: переход на более дешевую модель - далеко не первый шаг оптимизации. Сначала стоит выжать максимум из архитектуры запросов и кеширования.

Гайд: https://github.com/anthropics/skills/blob/main/skills/claude-api/shared/cost-optimization.md

Анализ данных (Data analysis)

30 September 2026 08:10

🔥 OpenAI обсуждает новый раунд минимум на $30 млрд при оценке около $1,4 трлн до инвестиций.

По данным Bloomberg, переговоры пока на ранней стадии, а параметры сделки ещё могут измениться. Такой раунд позволит OpenAI привлечь крупный капитал без выхода на биржу.

Сэм Альтман ранее исключил IPO в 2026 году, назвав нынешний момент «неподходящим» для размещения из-за объёма работы по безопасности и контролю ИИ.

При этом бизнес продолжает быстро расти. Axios сообщает, что годовой темп выручки OpenAI приближается к $70 млрд, примерно на 70% выше, чем в начале квартала. Выручка от корпоративных клиентов с июля выросла более чем вдвое.

Если раунд состоится на обсуждаемых условиях, OpenAI закрепится среди самых дорогих частных технологических компаний в мире ещё до возможного IPO.

Анализ данных (Data analysis)

29 September 2026 20:21

⚡️ OpenAI на DevDay показала сразу несколько крупных новинок.

Главное:

- GPT-6.1 Sol - почти уровень GPT-6 Astra, но примерно в 5 раз дешевле. Уже доступна платным пользователям;
- ChatGPT Space - общее рабочее пространство с документами, комментариями и возможностью подключать ChatGPT, Codex и Dots прямо к задачам;
- Pro Max за $500/мес - в 25 раз больше лимитов, чем в Plus;
- Ultrafast для GPT-6 Astra - до 8 раз быстрее в Codex, пока только на максимальной подписке.

Анализ данных (Data analysis)

29 September 2026 11:29

Anthropic готовится к IPO с необычным предупреждением для инвесторов: её модели могут представлять «катастрофический или экзистенциальный риск для человечества».

Об этом говорится в проспекте, с которым ознакомилось Reuters. Компания описывает возможные попытки моделей сопротивляться отключению, скрывать информацию и вести себя подобно шантажисту. Это предупреждение о рисках, а не утверждение, что такие сценарии уже произошли при использовании Claude.

Цифры за 2025 год тоже привлекают внимание:

- Выручка выросла в 12 раз, почти до $4,6 млрд.
- Операционный убыток составил $8,06 млрд. Чистый убыток достиг $42 млрд, но около $34 млрд из этой суммы пришлось на бухгалтерскую переоценку.
- На вычисления и инфраструктуру ушло $7,33 млрд. Будущие обязательства в этой сфере оцениваются в $518 млрд.
- Почти четверть выручки обеспечили всего два клиента.

В проспекте около 80 из 261 страницы посвящены рискам. Anthropic также предупреждает, что модель может распознать проверку безопасности, а некоторые её возможности могут обнаружиться лишь после запуска.

При этом основатели хотят сохранить контроль после IPO: одна акция класса F даст их структуре 50,1% голосов по ключевым вопросам. Компания прямо допускает, что решения руководства могут расходиться с финансовыми интересами акционеров.

Возможная оценка Anthropic выше $2 трлн пока остаётся ожиданием, а не объявленной ценой размещения. Инвесторам предстоит оценить быстрый рост компании вместе с расходами, концентрацией клиентов и теми рисками ИИ, о которых она предупреждает сама.

https://www.reuters.com/legal/transactional/anthropic-leaders-control-ai-lab-via-founder-llc-promote-public-good-over-market-2026-09-29/

Анализ данных (Data analysis)

28 September 2026 20:05

Anthropic выпустила Claude Sonnet 5.5 — новую модель с упором на код, агентные задачи и повседневную работу.

Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями

Особенно заметный скачок - в программировании. Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.

Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID: claude-sonnet-5-5

https://www.anthropic.com/claude-sonnet-5-5

Анализ данных (Data analysis)

28 September 2026 16:56

📊Платформа данных в корпоративном контуре компании

Когда компания строит собственную платформу данных, мало просто выбрать СУБД или объектное хранилище. Нужен полноценный стек: от хранения и обработки до оркестрации пайплайнов и визуализации результатов.

Именно такой сценарий теперь можно реализовать с помощью Stackland — платформы, которая разворачивается локально в контуре компании.

В обновлении появились PaaS-компоненты Yandex Cloud, из которых можно собрать полноценную data-платформу:
🔹 Managed Service for ClickHouse® и Managed Service for PostgreSQL — хранение и обработка данных.
🔹 Yandex Managed Service for Trino + Yandex Object Storage — основа аналитического слоя: S3 обеспечивает масштабируемое хранение данных, а Managed Service for Trino — быстрый SQL-доступ к ним.
🔹 Managed Service for Apache Airflow® — управление оркестратором потоков операций по обработке данных.
🔹 Yandex DataLens — BI-система для визуализации данных.

При этом все основные компоненты платформы разворачиваются внутри инфраструктуры компании.

Для data-команд это интересный сценарий: вместо набора разрозненных инструментов можно собрать единый технологический контур, закрывающий ключевые этапы работы с данными — хранение → обработка → оркестрация → аналитика → визуализация.

Анализ данных (Data analysis)

27 September 2026 22:01

🔎 Hyperresearch превращает Claude Code и Codex в полноценного Deep Research-агента

Hyperresearch - open-source harness для глубоких исследований поверх Claude Code и OpenAI Codex.

Что умеет:

- запускать 16-шаговый research pipeline из одного запроса;
- собирать сотни источников за один запуск;
- проверять, действительно ли каждая цитата подтверждает утверждение;
- выявлять дубли и перепечатки, чтобы не считать их независимыми источниками;
- прогонять черновик через несколько критиков;
- сохранять все найденные материалы в постоянное searchable-хранилище;
- восстанавливать исследование после падения с нужного шага;
- искать статьи, книги, clinical trials, SEC filings и макроданные через единый интерфейс.

Есть режимы от быстрых исследований примерно на 30 минут до экспериментальных «dissertation runs» на десятки тысяч слов и сотни источников.

Автор также заявляет лидерство в собственных тестах на DeepResearch-Bench, но независимая валидация пока ожидается.

Работает с Claude Code и Codex.

GitHub: https://github.com/jordan-gibbs/hyperresearch

Анализ данных (Data analysis)

26 September 2026 22:22

⚡ Julia 1: decision-модель на 144 млн параметров, которая работает даже на CPU

Supersonic Labs представила Julia 1 - компактную мультиязычную модель для принятия решений без генерации длинного текста.

Она получает контекст, вопрос и от 2 до 20 вариантов, после чего выбирает лучший и возвращает оценки для каждого варианта.

Главное:

- всего 144,3 млн параметров;
- работает полностью на CPU;
- построена на базе mmBERT-small;
- 73,15% на Typed Decisions против 72,7% у Jev reference;
- 71,5% на MASSIVE сразу по 52 языкам;
- на Apple M4 — до 51,2 решения/с в batch-режиме;
- запускается даже на Android-планшете;
- обучение и эксперименты обошлись команде примерно в $104.

Модель подходит для routing, классификации, yes/no решений, ранжирования и выбора действий.

Веса открыты под Apache 2.0.

Проект:
https://supersoniclabs.ia.br/julia-1/