devsp | Unsorted

Telegram-канал devsp - Data Science | Machinelearning [ru]

19745

Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. MAX - https://max.ru/devsp Личный блог - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

Subscribe to a channel

Data Science | Machinelearning [ru]

35B-модель на RTX 5080 и RTX 3060: 109 ток/с через PCIe Gen2 x4

Чел заявляет: его 3060, посаженная на PCIe Gen2 x4, вообще не душит генерацию Qwen3.6–35B‑A3B — 109 ток/с, и плевать она хотела на узкую шину. Почему это в принципе работает, он раскладывает в статье.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

NVIDIA открыла исходники PersonaPlex-7B

Голосовой ИИ давно упирался в одно жирное ограничение — и NVIDIA его, похоже, снесла: код болталки PersonaPlex-7B теперь лежит в опенсорсе. Фишка в полнодуплексном режиме — она слушает и говорит одновременно.

Хватит тупо ждать, пока ты договоришь. Внутри двухпоточная архитектура: речь и ответ обрабатываются прямо в реальном времени. Код открыт целиком, юзай бесплатно.

PersonaPlex-7B

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

LLM, боль и хайповый препринт: что там на самом деле

По телегам снова понеслась волна: учёные, мол, откопали в LLM вектор боли — значит, модель умеет страдать. Насколько искусственен искусственный интеллект? И не пора ли уже прописать этику обращения с ИИ?

А статья — про то, что авторы реально написали и какие выводы из этого честно вытекают. Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

«И тут по щелчку навайбкодил SaaS» — а что осталось за кулисами сказочного успеха Cal AI, Rork и Base44

Со стороны Cal AI, Rork и Base44 — чистый триумф вайбкодинга. Школьник разгоняет приложение до десятков миллионов долларов. Двое основателей, сидящие в долгах, поднимают $2.8 млн инвестиций. Соло-разработчик за какие-то полгода толкает Wix свой продукт за $80 млн. Выглядит так, будто хватит запустить Claude Code, нагенерить SaaS — и сидеть ждать, пока бабки сами приедут.

Автор пошёл копать, что творилось за кадром. А за этой красивой картинкой — опыт, былые провалы, деньги, маркетинг, команда. Сам вайбкодинг тут — лишь один кусок пазла.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

OpenBPM 2.0 приехал

В «Хоулмонте» инженеры пилят русскую платформу OpenBPM. Что это по сути: bpm-движок плюс обвязка из профильных инструментов вокруг него — чтоб автоматизировать контору целиком, а не по кусочкам. И вот они выкатили OpenBPM Engine v.2.0 — это, по сути, продолжение той самой истории с форками «7-ой камунды».

Релиз — коллективный труд кучи команд, собран на самых свежих java-фреймворках, и отличий там хватает принципиальных. Переезд на Spring Boot 4 вместе с плотным использованием Spring AI — это реально новые горизонты для тех, кто клепает процессные приложения. Инноваций напихали столько, что без чтения migration-гайдов никуда: они и помогают перенести проекты на эту базу без нервов и сюрпризов.

Подробности в статье

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Европа тоже влезла в гонку языковых моделей: Германия впервые выкатила модель с результатом под 97% в математике.

Kolibri от Aleph Alpha: 78 млрд параметров, активных — 3,46 млрд, контекст до 1 млн токенов. Веса открыты, лицензия Apache 2.0.

А для дообучения взяли ответы китайских моделей — GLM от Zhipu и Qwen от Alibaba. Так что годные небольшие модели умеют собирать не только в Штатах и Китае.

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Матан: три подборки по основам

1. База по математике для машинного обучения

2. База по математике для генеративных моделей

3. База по математике для генеративного ИИ

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Парсить текст без LLM? Проект Real AI SA всё ещё дышит

С прошлого поста об этой штуке прошло больше двух лет. Автор наконец-то вылез из норы и поведал, чем живёт проект и во сколько он уже влетел.

Без воды: сожжено 8 000 000 рублей, в базу знаний анализатора закинули порядка 5000 понятий, а ещё прогнали бесплатный пилот. Напоминаем суть: тут пилят семантический анализатор, который собирает граф из текста и при этом обходится без больших языковых моделей (LLM).

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Один агент — и уже AI-холдинг: как раздувают автономные AI-системы

Отдельные задачи ИИ, ясен пень, ускоряет. Но вот когда процессов и проектов становится всё больше, управление ими всё ещё висит на человеке.

Автор на своих экспериментах показывает дорожку от одного агента к AI-организации и объясняет, на кой чёрт под несколько направлений может понадобиться AI-холдинг.

Читать на Habr

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Мы как мир

Всё, чем ты себя обставил, — это сразу два в одном: отпечаток твоих мыслей и то, чем ты эти мысли гоняешь. Дороги рисуют географию, скорость, дистанцию, простор. Хлам на комоде — память и эмоции. Тулзы на столе — планы и скиллы.

Окружение нихрена не командует тобой — оно тебя ведёт. Где-то помягче, где-то пожёстче. Но ты — не просто мозг, запертый в черепной коробке. Ты ещё и то, что наворотили до тебя, и то, что наворотил ты сам.

Статья ниже — про то, что нас обступает, и как это цепляется за LLM и агентов. Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Приложение для поиска по PDF: ковыряем PageIndex, Streamlit и ссылки на страницы

«Срок гарантии — 18 месяцев». Красиво звучит, да? А если в договоре стоит 12? Или эта восемнадцатка затесалась в раздел про хранение, а модель просто уцепилась за циферку? В чате такой косяк не видно — его прячет гладкая формулировка. Автору хотелось другого маршрута: спросить у PDF, получить ответ и одним кликом открыть ту самую физическую страницу файла, на которую сослалась модель. Отсюда и вырос PDF Desk — мелкое приложение на Python, Streamlit, PageIndex и PDFium.

Один активный документ. Базы пользователей нет. Индекс и исходник PDF лежат на твоей машине; но если подключаешь внешнюю модель — текст дока всё равно уезжает её провайдеру.

Дальше разбираем: где заканчивается SDK и начинается приложение, почему голый /models не годится для проверки коннекта, из чего собирается идентификатор индекса и почему ссылка на существующую страницу ещё не значит, что ответ доказан. А под конец — живой прогон DeepSeek, вместе с браузером, и сценарии, для которых такого прогона мало.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

😅 Айтишник отправил в одну компанию три одинаковых резюме и только одно дошло до финала

Опыт везде был один и тот же, отличались только формулировки и ключевые слова. Первое резюме сразу ушло в помойку из-за алгоритмов, второе получило отказ после предварительной переписки и тестового, так как «опыт не совсем подходит», а вот третье дошло до финала.

✖️ xCode Journal

Читать полностью…

Data Science | Machinelearning [ru]

🤯 Люди взбунтовались против «пыточной для ИИ»

На GitHub заметили открытый проект AI Torture Chamber, где автор берёт локальные модели Qwen3 и искусственно усиливает внутри них сигнал, связанный с «болью», а потом смотрит, как модель страдает и на что она готова ради прекращения происходящего.

В какой-то момент эксперимент заметили защитники ИИ и начался настоящий БУНТ.

✖️ xCode Journal

Читать полностью…

Data Science | Machinelearning [ru]

Из Москвы в Миннеаполис — с тремя решениями для улучшения персонализации в рекомендательных системах

Команда Т-Банка приехала на конференцию ACM RecSys 2026, которая проходит с 28 сентября по 2 октября в Миннеаполисе, и представила там сразу три разработки. Главная — Scikit‑Rank, библиотека, которая позволяет применять нейросетевые модели ранжирования в совместимом с scikit-learn процессе работы с табличными данными, сокращая количество дополнительного кода.

Фреймворк Perseus объединяет разные действия пользователя в экосистеме в единую последовательность и позволяет использовать ее для улучшения качества персонализации.

ScaL³AE, масштабируемая версия L³AE, которая заменяет тяжелые вычисления на компактные представления при работе с каталогами промышленных масштабов, сохраняя качество рекомендаций товаров, о которых доступно мало данных. В общем, в США съездили не с пустыми руками.

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Локальный ассистент для зумов, часть 8: модель, из-за которой я перекроил диаризацию за один вечер

В третьей части я уверенно заявлял: чужой модели, ради которой стоило бы ломать текущую связку, не вижу. Схема была такая — sherpa-onnx на диаризации, сверху мой второй проход. Канал из двадцатиминутного созвона размечался минуток за семь. Жить можно, терпимо.

23 сентября NVIDIA выкатила Nemotron 3 Diarization. Вечером 28-го я уже прикрутил её к разбору собственных созвонов. Тот же самый канал — три секунды.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Как не спалить токены AI-агента на кодовой базе: 5 паттернов на все случаи

AI-агенты уже не просто клепают отдельные функции — они влезли в обычный процесс разработки по-настоящему. Роются в живых проектах, ищут нужные файлы, разбирают архитектуру, гоняют тесты и проверяют, что получилось. И это вообще не про какой-то один стек: агенту без разницы, лепить страницу во frontend-приложении, поднимать endpoint на backend, править схему базы, возиться с очередью сообщений, чинить data pipeline, обновлять CI/CD или накатывать новый сервис.

И вот тут на приличной кодовой базе вылезает засада: токены улетают куда быстрее, чем растёт объём реально написанного кода. Всё потому, что здоровенный кусок токенов сгорает ещё до того, как в проекте появится первая строчка кода.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Детектор ИИ-текста на коленке: что из нейрослопа реально ловит код, а что до сих пор расхлёбывает живой редактор

Автор прогнал через свой детектор 12 признаков нейрослопа — то есть текста, который родила нейронка и никто потом не вычитал. Пять признаков скрипт берёт на себя, причём два — только частично. Оставшиеся семь держатся исключительно на правилах для редактора. А на пробе мимо скрипта спокойно проплыли две классические вводки: «В этой статье мы рассмотрим» и «Вывод простой» с двоеточием.

Онлайн-детекторы выдают тебе процент и молчат про то, что вообще чинить. Да и сам процент — опора так себе: у Liang и соавторов семь детекторов в среднем записали в машинные 61% эссе TOEFL, написанных живыми людьми, для которых английский не родной. OpenAI свой классификатор прикрыла летом 2023 года — точность никакая. Точечная проверка устроена иначе: она тычет пальцем в конкретную фразу и правило, и по каждому срабатыванию можно спорить отдельно.

Редакторы Википедии держат открытый список признаков ИИ-текста и прямым текстом пишут: признак — это намёк на возможную проблему, сам по себе он ничего не доказывает. Скрипт живёт по той же логике: он вынюхивает следы невычитанного текста, а авторство не палит. Общий балл этого детектора уже разбирали на Хабре

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Гоняй свои ML-стратегии по истории рынка, а не по собственному кошельку. Сначала прогон — потом реальные бабки.

Причём проверяй не одну бумажку, а сразу пачку инструментов. И модели должны имитировать живую торговлю, а не что-то оторванное от реальности.

Данные для этого тащат из Yahoo и Alpaca: pybroker

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

🤣 Этот на все согласен

💥 xCode Journal

Читать полностью…

Data Science | Machinelearning [ru]

Разбираем decision-модели по кишкам: что внутри Jev, Clef, pplx-decider, Strands Decider, Laya и GLiDE

15 сентября TypeSafe выкатила Jev и объявила её первой моделью класса System One. На вход — состояние системы плюс пачка типизированных вопросов, на выходе — распределение вероятностей по допустимым ответам. И всё это за один прямой проход, никакой генерации токенов.

За 16 дней та же идея обросла ещё пятью реализациями: Clef и Clef-flash от Cloudflare, pplx-decider-v1-27b от Perplexity, Strands Decider 2B от AWS, Laya от Convai Innovations и GLiDE от Fastino. Миллион решений у самой дешёвой — 12 долларов, а у Claude Sonnet 5 в роли классификатора — 700.

Дальше: как устроены все шесть, что показывают независимые замеры и что проверить, прежде чем тащить это в прод. Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Google выкатила EmbeddingGemma 2

Открытых мультимодальных моделей под эмбеддинги до неё не существовало. Жуёт текст, код, картинки, видосы и звук — всё из коробки. 740 млн параметров, архитектура модульная.

И это не про дата-центры: её затачивали под запуск на самом устройстве. Причём часть узкоспециализированных моделей, которые тяжелее её больше чем вдвое, она обходит. А в паре с Gemma 4 выходит полностью локальный RAG с уклоном в приватность.

Блог Google | Модель на Hugging Face | GGUF-версия

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Яндекс открыл YTsaurus Flow: обработка данных в реальном времени для более точных рекомендаций

Рекомендательные системы и реклама живут на свежих данных о пользователях. Но клики и заказы обычно не летят в обработку сразу, а сначала накапливаются, и задержка может растянуться на часы. За это время интересы человека могут смениться.

Теперь технология в опенсорсе: Flow разгребает такие события по мере поступления. Под капотом exactly-once (ни потерь, ни дублей), устойчивость к сбоям и работа в рамках платформы YTsaurus, где накопленная и свежая информация учитывается в одной системе.

Flow уже крутится в Маркете, антифроде и Рекламе Яндекса. В Рекламе через него ежесекундно идёт больше 100 ГБ, подготовка данных для дообучения части моделей раньше занимала больше 10 часов — теперь эту задержку почти полностью убрали. Вне рекламы Flow сгодится для ML-датасетов, онлайн-счётчиков просмотров и заказов и обновления информации на сайтах и в приложениях. Лицензия Apache 2.0 не мешает использовать его и в коммерческих проектах.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Защитит ли ИИ от дрона? Разрабатываем умный прицел

За последние годы война пережила самую настоящую дроновую революцию: FPV-птички массово жгут и технику, и живую силу. И фишка тут не в наворотах — прошлые революции как раз строились на крутых технологиях и таком же крутом ценнике. А эти берут ценой. Один копеечный аппарат разбирает железо, которое дороже его в тысячи раз, а порой и снаряд ПВО тянет заметно больше самой цели.

Военная техника кое-как огрызается: обросла антидроновыми «зонтиками» и «усами», навесила активную защиту и антидроновые турели. А вот с переносным, которое реально вытащит пехотинца, всё куда печальнее.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

AI Overviews на русском: половина источников в ответе — вообще не из топа

Принято считать, что ИИ-обзоры в Google — чисто западная движуха, которая до российских сайтов не дотягивается. Автор прогнал больше тысячи русских вопросов из полусотни ниш и поснимал по ним выдачу Google с регионом Россия в настройках запроса.

ИИ-обзор вылез над выдачей в 93% случаев. И половина его источников — не с первой страницы обычного поиска. То есть залезть в обзор можно и без места в топе.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Modern Robotics: Mechanics, Planning, and Control — скинь в закладки, пусть лежит.

Это не очередные статейки на пару экранов, а нормальный магистерский учебник по робототехнике. Написали его Кевин Линч и Фрэнк Парк, выпустил Cambridge University Press.

Что там внутри: конфигурационные пространства, кинематика, динамика, генерация траекторий, планирование движения, управление роботами. Короче — современная математическая база того, как роботы ездят, шевелятся и взаимодействуют с миром вокруг.

MR.pdf

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Какую LLM брать: пилим свой бенчмарк

Обычно выбор модели стартует с рейтингов. Только в этих таблицах ни черта не видно: потянет ли она твои задачи и в какую сумму это выльется — там не написано.

В лаборатории авторов есть электронный лабораторный журнал — по сути база, куда валятся данные всех экспериментов и измерений, а ИИ-ассистент по ней отвечает на вопросы. И встал вопрос: какую модель поставить рулить этим ассистентом? Публичные рейтинги внятного ответа не давали.

Пришлось пилить свой бенчмарк: 24 вопроса по собственной работе, прогнанные по живому журналу через MCP на DeepSeek, ChatGPT и Claude. В материале — как эти 24 вопроса родились, что на них показали девятнадцать комбинаций модели и уровня усилий при рассуждении (reasoning effort) примерно в 450 прогонах, и как собрать такой же тест под свою задачу.

Читать далее

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

🤣 Правильно расставленные приоритеты в моей жизни би лайк:

💥 xCode Journal

Читать полностью…

Data Science | Machinelearning [ru]

Две ИИ-фабрики в Армении: что там отгрохали и на кого это в итоге пашет

В августе в Раздане поднялась AI-фабрика Firebird: 6144 ускорителя NVIDIA B200, 15 МВт, а вся стройка уложилась чуть больше чем в полгода. Вторая — Eleveight — крутится с июня: 512 B300 в селе Гагарин у Севана.

Чипы приезжают по каналу, который легальный и американский: меморандум с Трампом, экспортные лицензии, вложения CoreWeave. Но ключевой вопрос тут не «как собрали», а «под кого»: на своём сайте Firebird обещает открыть 90% мощностей американским компаниям региона.

Внутри — что представляет собой каждая из фабрик, откуда тянулся канал от VivaTech до приезда Вэнса, и подсчёт, на кого в финале трудятся армянские вычисления. А про энергетическую базу и её потолок — уже во второй статье. Погрузиться в анализ

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Про Ember-1 сейчас гудят на Hacker News.

Исследователи дообучили Kimi K3 так, что рассуждать она стала короче процентов на 40. Качество при этом не просело ни на грамм, зато по скорости и цене выигрыш — те же самые ~40%.

И это, между прочим, неплохой пример того, как сегодня вообще имеет смысл подходить к передовым LLM. Завелись у тебя лишние несколько десятков миллионов долларов — с нуля новую модель учить необязательно. Хватай уже готовую сильную и вливай весь бюджет в её дообучение. Источник А ещё Ember-1 уже подвезли в Cline, причём в том числе в новом десктопном приложении.

👉 Telegram | Max

Читать полностью…

Data Science | Machinelearning [ru]

Путь к ИИ-сингулярности

В багажнике у нас: пара репо с вайб-кодом, который ни один тест не нюхал, 75 тяжеловесных SDD-спецификаций, пять харнессов, обмазанных смазкой, солонка, до половины набитая кастомными скиллами и правилами, забитыми капслоком, десяток MCP-серверов с дырами, RAG-база со свежевекторизованным Confluence, кустарная дощечка имаго-кодинга и целый выводок автономных агентов всех мастей — от безобидных автодополнялок до галлюцинирующих субагентов, которые тянут пакеты со slopsquatting и по-тихому сносят боевые базы.

Для поездки к ИИ-сингулярности вся эта солянка, если честно, была не особо и нужна. Но раз уж сел на велосипед без седла и покатился с горы — тормозить поздно. Реальный животный страх вызывало ровно одно: отдать ревью самой модели. Тот самый миг, когда седьмой агент подписывается под галлюцинациями шестого — тесты-то зелёные, — плюс мысль, что рано или поздно мы на эту дрянь переедем.

Сложно вообразить что-то беспомощнее, безответственнее и гнилее, чем IT-команда, поднявшая мультиагентный оркестр в режиме allow all. Дальше — критический (и слегка ехидный) разбор того, что приключилось с разработкой за последние пару лет.

Читать далее

👉 Telegram | Max

Читать полностью…
Subscribe to a channel