Машинное обучение RU

15 April 2026 09:26

Невероятное открытие: Математики тихо провернули безумную вещь: нашли «универсальную операцию» для всей математики
Польский физик показал, что любую функцию вообще можно собрать из одного примитива. Да, буквально всё: exp, π, i, sin, cos, сложение, умножение и дальше по списку. Раньше нужно было много разных операций, а теперь теоретически всё можно выразить через одну формулу.

Если знаком с NAND, ты уже понял вайб. В булевой логике это одна операция, через которую выражается вообще всё. Из-за этого реальные процессоры по сути собираются из NAND-гейтов.

Так вот здесь сделали то же самое, только для непрерывной математики.

Вместо кучи операций вводится одна:

eml(x, y) = e^x - ln(y)

И дальше начинается магия. Любую функцию можно развернуть в композицию таких выражений. Иногда это выглядит как монстр из вложенных вызовов, но формально всё сводится к одному строительному блоку.

Например, даже логарифм можно собрать через такие вложенности. Для более сложных вещей выражения становятся длинными, но они существуют и это доказано.

И вот тут начинается самое интересное.

Обычно symbolic regression это ад. Нужно перебирать формулы из кучи операций: плюс, умножение, синусы, логарифмы. Огромное дискретное пространство, почти не оптимизируется.

С EML всё упрощается. У тебя один тип узла. Всё пространство формул становится однородным деревом.

А значит можно делать то, что раньше было болью: оптимизировать формулы градиентами, как нейросети.

То есть модель не просто фитит данные. Она может реально схлопнуться в точную формулу.

Если это масштабируется, это прям мост между ML и классической наукой. Не просто предсказания, а извлечение законов из данных.

www.alphaxiv.org/abs/2603.21852v2

Машинное обучение RU

14 April 2026 09:41

🔥 Инженер из Google автоматизировал 80% работы с помощью Claude Code

Разработчик из Google с 11-летним стажем собрал систему, которая взяла на себя 80% его рутинных задач. В основе - Claude Code и три компонента, каждый из которых закрывает конкретную боль. Разбираемся, как это устроено и почему вам стоит попробовать уже сегодня.

CLAUDE.md по правилам Карпати: как один файл снижает ошибки с 40% до 3%
Андрей Карпати - один из самых влиятельных AI-исследователей в мире - задокументировал типовые ошибки, которые допускают LLM при работе с кодом. Кто-то взял эти наблюдения и превратил их в один-единственный файл CLAUDE.md на 15 000 слов. Идея простая: если ошибки предсказуемы, их можно предотвратить правильными инструкциями.

Внутри четыре принципа: Simplicity First (не усложняй), Surgical Changes (меняй точечно), Think Before Coding (сначала подумай, потом пиши), Goal-Driven Execution (работай на результат). Никаких фреймворков и сложного тулинга - один файл, который меняет поведение Claude на уровне проекта. Без CLAUDE.md Claude нарушает конвенции примерно в 40% случаев. С ним - нарушения падают до 3%. Настройка занимает 5 минут.

На GitHub появился репозиторий everything-claude-code (github.com/affaan-m/everything-claude-code), который набрал уже более 153 000 звезд. Это не просто коллекция промптов, а полноценная операционная система для разработки продуктов с помощью AI. Внутри: planner.md для планирования фич, architect.md для принятия системных решений, tdd-guide.md для тестирования, более 30 специализированных агентов, свыше 180 скиллов и встроенный AgentShield с 1282 тестами безопасности.

Работает на Claude, Codex, Cursor, OpenCode, Gemini - одна система везде. Можно установить через plugin marketplace или вручную скопировать нужные компоненты в .claude/ вашего проекта. Только не грузите все сразу - берите то, что реально нужно.

Кто-то настроил HTTP-прокси и перехватил полные API-запросы четырех разных версий Claude Code. Выяснилось занятное: версия v2.1.100 отправляет меньше байт, но списывает на 20 000 токенов больше, чем v2.1.98. Инфляция происходит целиком на стороне сервера - вы ее не видите в клиенте.

Почему это важно не только для кошелька: эти 20 000 токенов попадают в реальное контекстное окно Claude. Ваши инструкции из CLAUDE.md разбавляются скрытым контентом, качество ответов падает, а вы даже не понимаете почему. Временное решение - откатиться на v2.1.98 командой npx claude-code@2.1.98. Фикс занимает 30 секунд.

Кейс: как выглядит полная автоматизация на практике
Тот самый инженер собрал трехступенчатый пайплайн. Dotnet-приложение обращается к GitLab API каждые 15 минут. Claude читает задачу и решает, готова ли она к работе. Если да - пишет код, прогоняет тесты, открывает merge request. Результат через неделю: вместо 8 часов кодинга в день - 2-3 часа на ревью и тестирование. Качество кода при этом не упало, потому что он проверяет каждый коммит.

Никакой магии: CLAUDE.md + правильные агенты + 15-минутный цикл. Это не требует гениальности или опыта из FAANG. Нужно просто потратить один вечер на настройку и перестать спорить, заменит ли AI разработчиков, и начать использовать его как инструмент.

Ссылки:

Репозиторий Everything Claude Code: https://github.com/affaan-m/everything-claude-code

Машинное обучение RU

13 April 2026 12:30

⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!

Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?

Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.

И 90% таких систем ломаются между ноутбуком и продом.

AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.

На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.

👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/

Машинное обучение RU

12 April 2026 15:01

⚡️ 8 хуков Claude Code, которые автоматизируют то, что вы вечно забываете

Вы говорите Claude Code отформатировать файл, а он этого не делает. Просите не трогать .env, а он лезет туда первым делом. Напоминаете прогнать тесты перед завершением, а он забывает.

Знакомо?

Все потому, что CLAUDE.md по сути является рекомендацией. Claude читает его и следует ему примерно в 80% случаев. Хуки работают иначе.

Это автоматические действия, которые срабатывают каждый раз, когда Claude редактирует файл, выполняет команду или завершает задачу.
Ниже разберем 8 готовых хуков, которые можно скопировать прямо в settings.json и больше о них не вспоминать.

https://uproger.com/8-hukov-claude-code-kotorye-avtomatiziruyut-to-chto-vy-vechno-zabyvaete/

Машинное обучение RU

10 April 2026 15:42

🔥 5 главных AI coding агентов 2026 года: https://www.youtube.com/shorts/cvs93C4k-IQ

Сравнили всё: модели, контекст, цены, автономность
Claude Code, Codex, Cursor Agent, Gemini CLI, Deepagents. Пять инструментов, которые определяют, как пишется код прямо сейчас. Разложили по полочкам.

Claude Code работает на Sonnet/Opus, контекст 200K (1M на Max), закрытый код, $3/$15 за миллион токенов. Лучше всего для сложных мультифайловых задач.

Codex от OpenAI - терминал + облако, GPT 5.3/5.4 Codex, миллион токенов контекста, высокая автономность.

CLI открыт, облако нет. $1.50/$6. Заточен под асинхронные фоновые задачи.

Cursor Agent - единственный, кто встроен в IDE. Работает с несколькими моделями (Claude, GPT, Gemini), но автономность низкая, больше интерактивный. Закрытый код. ~$1.25/$6. Для повседневного кодинга.

Gemini CLI от Google - полностью open source (Apache 2.0), бесплатный (1K запросов в день), Gemini Flash/Pro, миллион токенов. Средняя автономность. Лучший бесплатный вариант.

Deepagents - MIT-лицензия, работает с любой LLM, SDK + CLI, конфигурируемая автономность. Бесплатен (платишь только за свою модель). Для кастомных пайплайнов.

Два опенсорсных, два закрытых, один гибрид. Выбор зависит от задачи, бюджета и того, насколько вы готовы отдать контроль агенту.

https://www.youtube.com/shorts/cvs93C4k-IQ

Машинное обучение RU

08 April 2026 10:37

😆 AI-проект с Миллой Йовович и крипто-фаундером оказался странной поделкой с подменой авторства

Вчера известная актриса выложила на GitHub свой опенсорс-инструмент для улучшения памяти ИИ-агентов - MemPalace, который она якобы создала с помощью ИИ . -

Mempalace пушали как «лучшую memory-layer для ИИ». В проекте фигурируют Бен, крипто-фаундер, и Решил проверить, что там под капотом.

Чем глубже смотришь, тем больше вопросов.

Бен на сайте рассказывает про AI-продукты и локальные модели. Но его GitHub почти полностью про биткоин и лендинг. Из AI там по сути один форкнутый проект.

Сам репозиторий выглядит так:
10K звёзд
1000+ форков
7 коммитов

Для серьёзной memory-системы это не выглядит правдоподобно.

Дальше интереснее.

Нет нормальной истории разработки. Аккаунт, который изначально запушил код, aya-thekeeper, удалён сразу после публикации.

Внутри файлов ttcnm подпись:
код и бенчмарки написал некий Lu (DTL), март 2026, «для Бена»

При этом:
в README его нет
в git-истории его нет

Историю репозитория затем схлопнули в один коммит и перезалили.

И уже после этого проект публикуется от имени Миллы Йовович.

По словам Бена, она участвует в разработке. По факту всего :
• 7 коммитов
• 2 дня активности за всё время

Картина складывается такая:

Сверху добавляется маркетинг и накрученные цифры.

Если коротко: проект с участием актрисы и крипто-фаундера больше похож на витрину, чем на реальную инженерную работу.

Если используете подобные решения, смотрите не на лендинг и звёзды, а на git-историю и реальных авторов кода.

Мила заскамила ) Видимо, Resident Evil закончился и начался Resident Git.

https://github.com/milla-jovovich/mempalace/issues/27
https://github.com/milla-jovovich/mempalace
https://x.com/AdvicebyAimar/status/2041559354034344438

Машинное обучение RU

04 April 2026 15:01

🎶 Автономное управление проектами с Symphony

Symphony позволяет командам управлять проектной работой, создавая автономные задачи для кодирующих агентов. Это решение упрощает процесс, позволяя сосредоточиться на управлении, а не на надзоре за выполнением кода.

🚀 Основные моменты:
- Автоматизация выполнения задач с помощью агентов.
- Мониторинг работы через интеграцию с Linear.
- Генерация отчетов о выполнении: CI статус, отзывы по PR и видеообзоры.
- Подходит для кодовых баз с применением harness engineering.

📌 GitHub: https://github.com/openai/symphony

#elixir

Машинное обучение RU

24 January 2026 12:45

🛠️ Универсальный рынок навыков для AI-агентов

n-skills — это курируемая платформа, предлагающая универсальные форматы навыков для различных AI-агентов. Она поддерживает интеграцию с популярными инструментами, такими как GitHub Copilot и OpenAI Codex, обеспечивая совместимость и простоту использования.

🚀Основные моменты:
- Курируемый рынок навыков для AI-агентов
- Поддержка множества платформ и инструментов
- Универсальный формат SKILL.md для навыков
- Автоматическая синхронизация с внешними репозиториями
- Возможность добавления новых навыков

📌 GitHub: https://github.com/numman-ali/n-skills

#markdown

Машинное обучение RU

22 January 2026 12:40

Спасибо, технологический прогресс

Машинное обучение RU

20 January 2026 16:02

🚀 Легкий плагин для оркестрации агентов OpenCode

oh-my-opencode-slim — это облегченная версия плагина, позволяющая вашему ИИ-ассистенту управлять сложными задачами через специализированные подагенты. С минимальным потреблением токенов, он идеально подходит для многозадачности и фоновых поисков.

🚀 Основные моменты:
- Легкая интеграция с Antigravity для оптимальной работы.
- Поддержка многопоточных рабочих процессов.
- Настраиваемые модели для каждого агента.
- Эффективное управление задачами с помощью специализированных агентов.

📌 GitHub: https://github.com/alvinunreal/oh-my-opencode-slim

#python

Машинное обучение RU

20 January 2026 12:02

🧠 Claude HUD: Инструмент для улучшения работы с Claude Code

Claude HUD предоставляет визуальную информацию о текущем состоянии вашей сессии в Claude Code. Он показывает активные инструменты, статус агентов и прогресс задач, оставаясь всегда на виду под вашим вводом.

🚀Основные моменты:
- Отображает текущее имя проекта и состояние контекста
- Следит за активностью инструментов и агентов в реальном времени
- Обновляет данные каждые ~300 мс
- Работает без отдельного окна, интегрируясь в терминал

📌 GitHub: https://github.com/jarrodwatts/claude-hud

Машинное обучение RU

18 January 2026 12:04

🌊⚙️ Wavelet Matrix: Эффективная структура для работы с последовательностями

Wavelet Matrix — это высокопроизводительная структура данных для индексированных последовательностей, обеспечивающая быстрые запросы по диапазону и динамическим обновлениям. Она поддерживает операции ранжирования, выбора и вычисления квантилей.

🚀Основные моменты:
- Высокая производительность для работы с большими данными.
- Поддержка динамических обновлений.
- Удобные методы для анализа и манипуляции данными.

📌 GitHub: https://github.com/math-hiyoko/wavelet-matrix

#rust

Машинное обучение RU

14 January 2026 06:47

🚨 Новые утечки про “железо” OpenAI: похоже, они реально готовят **замену AirPods**.

Что слили:

🎧 Это аудио-носима (wearable), которую делают как “следующую платформу” вместо наушников
🧩 Кодовое имя: Sweetpea
👀 Внешний вид: металлический “eggstone” + две маленькие капсулы за ухом
⚙️ Железо: ставка на 2nm-чип + возможный кастомный чип для “действий как у телефона”
📦 Амбиции дикие: 40–50 млн устройств в первый год (это почти уровень AirPods по масштабу)

И это только начало: по утечкам Foxconn готовится к массовому производству сразу 5 устройств к Q4 2028 — среди них упоминаются:
- домашний девайс
- “ручка” (pen/stylus)

Если это правда — OpenAI явно строит целую линейку новой экосистемы, а не “один гаджет ради хайпа”.

https://x.com/zhihuipikachu/status/2010745618734759946

Машинное обучение RU

10 January 2026 08:02

⚡️ Похоже, DeepSeek готовит новый флагман.

Сразу несколько источников пишут, что уже в следующем месяце выйдет их топовая модель:
R2 (или V4).

И самое интересное - у них недавно вышла статья, где описаны идеи, которые могут сильно повлиять на индустрию:
- сделать обучение стабильнее
- ускорить тренинг
- заметно снизить стоимость обучения моделей

Если это подтвердится - это будет не “ещё одна LLM”, а шаг в сторону более дешёвого и масштабируемого AI.

А по ранним отзывам тестеров модель уже показывает очень сильный кодинг - и некоторые говорят, что она может быть лучше Claude / GPT в программировании.

Если релиз реально случится - будет один из главных AI-дропов года.

Машинное обучение RU

08 January 2026 12:00

🚀 Автономные AI-агенты с Ralph Loop

Ralph Loop Agent — это фреймворк для создания автономных AI-агентов, который использует методику непрерывного выполнения задач. Он позволяет агентам повторять попытки до тех пор, пока задача не будет успешно завершена, обеспечивая проверку результатов и обратную связь.

🚀Основные моменты:
- Итеративное выполнение задач до подтверждения завершения
- Полная совместимость с AI SDK
- Гибкие условия остановки
- Управление контекстом для долгосрочных задач
- Поддержка потоковой передачи результатов

📌 GitHub: https://github.com/vercel-labs/ralph-loop-agent

Машинное обучение RU

14 April 2026 15:32

✔️ Т-Банк использует ML-модели в своей рекламной платформе.

По словам Василия Разумных, CTO «Т-Рекламы», рекламная платформа Т-Банка изначально строится вокруг ML. Модели используются не только для предсказания кликабельности, а для всего целиком: от формирования аудитории до генерации креатива в реальном времени. Вместо статичного баннера система динамически собирает офер — комбинирует условия партнера, продукты экосистемы, персональные скидки прямо в момент запроса.

От ручного управления ставками отказались, потому что поведение пользователей и контекст меняются слишком быстро. Автоматизация на данных повысила эффективность, снизила нагрузку на менеджеров и число ошибок. В аукционе ставка перестала быть единственным фактором победы — добавилась многокритериальная оптимизация с прогнозом вовлеченности и качеством креатива.

Главные инженерные сложности были не в самих моделях, а в низкой задержке при обработке данных и сохранении их актуальности. Пришлось объединять разрозненные источники из разных вертикалей экосистемы (финансовые сервисы, Шопинг, Путешествия) в единое хранилище и feature store, соблюдая приватность. Отдельная задача — холодный старт новых кампаний: для этого сделали механизмы быстрого сбора статистики и предварительных оценок.

Принятие решения о показе выглядит так. На запрос рекламодателя система формирует пул кандидатов, ранжирует их скоринговой моделью, которая учитывает экономику, вероятность целевого действия, качество креатива и репутацию рекламодателя. Вес факторов адаптируется под контекст и конкуренцию. Побеждает не самое дорогое объявление, а то, которое лучше всего подходит пользователю в текущий момент.

От классической ручной сегментации постепенно отходят в сторону динамического формирования аудиторий на основе ML-таргетинга. Система сама находит пользователей, склонных к целевому действию, исходя из заданных целей кампании. При этом ручные уточнения сохраняются для брендовых стратегий. Развиваются look-alike и другие инструменты расширения аудиторий.

Что меняется в запросах рекламодателей? Растет спрос на перформанс и измеримые действия, а не просто на охваты. Сохраняется запрос на брендинг, но в форме брендформанса. Увеличивается интерес к автоматизированным стратегиям закупки и self-service-инструментам, чтобы запускать кампании быстрее и без ручной оптимизации. Бюджеты смещаются в ретейл-медиа и внутренние площадки экосистем, где есть близость к покупке и прозрачная атрибуция.

📌AdIndex: https://adindex.ru/publication/interviews/agency/2026/04/13/344156.phtml

Машинное обучение RU

13 April 2026 14:31

🧠 OpenClaw Medical Skills: Библиотека ИИ для медицины

OpenClaw Medical Skills — это обширная коллекция из 869 навыков для ИИ, охватывающая биомедицинские и клинические исследования. Эти модули преобразуют универсальных ИИ-агентов в мощных помощников для медицинских и научных задач, обеспечивая доступ к реальным базам данных и инструментам.

🚀 Основные моменты:
- 869 специализированных навыков для медицинских исследований
- Поддержка биоинформатики, геномики и клинической документации
- Интеграция с реальными API и базами данных
- Открытый код и сообщество для совместного использования ресурсов

📌 GitHub: https://github.com/FreedomIntelligence/OpenClaw-Medical-Skills

#python

Машинное обучение RU

13 April 2026 11:39

🚀 OpenAI выкатили набор бесплатных скиллов для Codex — можно сильно разгрузить разработку

Теперь часть задач можно просто отдать агенту: от генерации презентаций до полноценной разработки приложений.

- Внутри уже готовы рабочие воркфлоу:
- агент умеет собирать презентации
- помогает с iOS и macOS разработкой
- интегрируется с Figma и работает с дизайном
и это только базовый набор

Устанавливается всё в один клик — без долгой настройки и шаманства.

Фактически это превращает Codex из “помощника” в полноценный инструмент, который закрывает куски реальной работы.

https://developers.openai.com/codex/use-cases

Машинное обучение RU

12 April 2026 07:17

ИИ подсадил нас на «гипсовые яйца»: почему алгоритмы работают как сверхстимулы Тинбергена

Почему птицы бросали собственные яйца ради гипсовых подделок?
В 1950-х годах голландский биолог Нико Тинберген обнаружил нечто тревожное: птицы бросали собственные яйца ради гипсовых подделок, если те были крупнее и ярче настоящих. Мать-кулик игнорировала своих птенцов и садилась высиживать раскрашенный муляж. Тинберген назвал это «сверхнормальными стимулами» и получил за свои исследования Нобелевскую премию. Прошло 70 лет, и мы сами стали теми птицами. Только вместо гипсовых яиц у нас - алгоритмические ленты, генеративные модели и рекомендательные системы.

Идея простая, но бьет точно: каждое уведомление, каждая курируемая лента, каждый отфильтрованный снимок - это реальность с выкрученной на максимум насыщенностью. Наша нервная система просто не рассчитана на такой уровень стимуляции. И мозговые центры вознаграждения реагируют на цифровые раздражители сильнее, чем на живой сенсорный опыт.

Рекомендательные алгоритмы - это, по сути, машины по производству сверхстимулов. Они обучены на метриках вовлеченности: кликах, времени просмотра, паттернах скроллинга. Их задача не показать тебе что-то полезное, а удержать внимание любой ценой. TikTok, YouTube Shorts, лента X - все это оптимизировано командами нейросайентистов и ML-инженеров, чтобы триггерить дофаминовый отклик сильнее, чем реальный мир.

С генеративными моделями ситуация еще интереснее. GPT, Claude, Midjourney - они генерируют контент, который по определению «ярче» среднего. Модель обучена на лучших текстах и изображениях человечества, и ее выход - это всегда чуть более отполированная, чуть более идеальная версия реальности. Когда ты привыкаешь читать тексты, написанные LLM, обычная человеческая речь начинает казаться корявой и скучной. Когда насматриваешься на картинки из Midjourney, реальные фотографии теряют свою привлекательность. Мы буквально строим генераторы сверхстимулов на промышленном уровне.

Тинберген описывал, как система распознавания паттернов у животных ломается при столкновении со сверхстимулом. У нас происходит то же самое, только масштаб другой. Наши предки развивали распознавание паттернов, наблюдая за облаками, читая следы животных, замечая сезонные изменения. Сейчас та же нейронная механика работает на мемы, тренды и алгоритмические рекомендации. Та самая система, которая когда-то помогала ориентироваться в реальности, теперь помогает ориентироваться в фидах.

Есть и практическая сторона. Когда ты ешь, уставившись в экран, мозг учится связывать питание с пассивным потреблением, а не с осознанным опытом. Когда гуляешь с подкастом в ушах, пространственная навигация начинает опираться на чужие мысли вместо собственных наблюдений. Это не метафора - это нейропластичность в действии. Мы в буквальном смысле переучиваем собственные нейронные контуры.

Когда исследователи убирали гипсовые яйца, птицы тут же возвращались к настоящим. Инстинкт никуда не делся, просто был перегружен искусственным сигналом. Физический мир по-прежнему здесь. Потрогай что-нибудь с текстурой. Поешь без экрана перед глазами. Пройдись без наушников. Твоя настоящая жизнь ждет под тем гипсовым яйцом, на котором ты сидишь.

Машинное обучение RU

09 April 2026 16:00

📊 Модель EchoJEPA для эхокардиографии 🚀

EchoJEPA — это мощная модель, обученная на 18 миллионах эхокардиограмм, которая эффективно выделяет анатомические структуры, игнорируя шумы. Она демонстрирует выдающиеся результаты в оценке сердечных функций, превосходя существующие методы на 20% в точности. Модель также показывает высокую эффективность при использовании всего 1% размеченных данных.

🚀 Основные моменты:
- Обучение на крупнейшем наборе данных эхокардиограмм.
- Превосходит конкурентов в оценке сердечной функции.
- Высокая эффективность с минимальным количеством размеченных данных.
- Устойчивость к физическим искажениям.
- Отличные результаты в нулевом режиме на детских пациентах.

📌 GitHub: https://github.com/bowang-lab/EchoJEPA

#python

Машинное обучение RU

07 April 2026 14:01

🤖 Открытый AI-бот для ревью кода

OpenReview — это самоуправляемый бот для автоматического анализа PR, использующий Claude. Он предоставляет мгновенные отзывы, выполняет линтинги и предлагает исправления в коде. Идеален для команд, стремящихся улучшить качество кода и ускорить процесс ревью.

🚀 Основные моменты:
- Мгновенные ревью по команде @openreview в PR
- Изолированное выполнение в Vercel Sandbox
- Встраивание предложений с возможностью одного клика
- Автоматическое исправление ошибок и форматирования
- Поддержка кастомных навыков и интеграций

📌 GitHub: https://github.com/vercel-labs/openreview

#typescript

Машинное обучение RU

26 January 2026 10:00

🔥 Простой анализ настроений с использованием Hugging Face Transformer

Используйте библиотеку transformers от Hugging Face для легкой интеграции моделей машинного обучения в ваши проекты.

Ниже представлен код, который загружает предобученную модель и делает прогноз на входном тексте.

from transformers import pipeline
# Загружаем модель для анализа настроений
sentiment_analysis = pipeline("sentiment-analysis")
# Пример текста для анализа
text = "Я очень доволен результатом работы этой команды!"
# Выполняем анализ настроений
results = sentiment_analysis(text)
# Выводим результаты
for result in results:
    print(f"Настроение: {result['label']}, Уверенность: {round(result['score'], 2)}")

Машинное обучение RU

23 January 2026 09:02

🧠 Google: сильные reasoning-модели начинают “думать как несколько агентов”

Исследователи Google заметили, что продвинутые модели рассуждений становятся умнее не только из-за большего времени на размышления или роста параметров.

Важнее другое: такие модели сами по себе начинают разыгрывать внутри “мульти-агентный” процесс - как будто несколько разных точек зрения обсуждают задачу.

Внутри появляется условная “команда”:
- разные роли/персоны предлагают идеи
- спорят и проверяют аргументы
- затем сходятся на лучшем решении

Именно эти внутренние мини-дебаты помогают лучше справляться со сложными задачами.

https://arxiv.org/abs/2601.10825

Машинное обучение RU

22 January 2026 07:24

PyTorch 2.10 - что нового (коротко и по делу)

PyTorch выпустили версию 2.10 - релиз с упором на ускорение компиляции/инференса и отладку численных расхождений, что особенно полезно в больших distributed-тренировках.

Главное по фичам:

• torch.compile + Python 3.14
Добавили поддержку Python 3.14, включая экспериментальный freethreaded build (3.14t).

• Меньше overhead на GPU (horizontal fusion)
TorchInductor теперь лучше объединяет независимые операции в один GPU kernel, уменьшая kernel launch overhead и ускоряя пайплайны.

• varlen_attn() - attention для variable-length входов
Появилась новая опа в torch.nn.attention для ragged/packed последовательностей:
- работает и на forward, и на backward
- хорошо дружит с torch.compile
- сейчас через FlashAttention2, дальше планируют поддержку через cuDNN/FA4
- CUDA (A100+), dtype BF16/FP16

• Быстрее eigendecomposition на GPU
В torch.linalg ускорили eigen decomposition на NVIDIA за счёт cuSOLVER DnXgeev.

Отладка / детерминизм:

• torch.compile теперь уважает deterministic mode
Если включить torch.use_deterministic_algorithms(True), то torch.compile сохранит детерминированность между запусками - удобно для дебага.

• DebugMode для поиска numerical divergence
Новый режим для диагностики:
- логирование dispatch
- tensor hashing (видно, где именно “поехали” тензоры)
- dispatch hooks для заметок и аннотаций

Ещё важное:

• TorchScript официально deprecated
Рекомендуемый путь вперёд - torch.export.

• tlparse + TORCH_TRACE
Упростили сбор трассировок и артефактов, чтобы легче репортить баги в компиляторе.

• Релизы чаще в 2026
Планируют перейти на релиз раз в 2 месяца (вместо quarterly).


https://pytorch.org/blog/pytorch-2-10-release-blog/

#PyTorch #OpenSourceAI #AIInfrastructure

Машинное обучение RU

20 January 2026 14:01

🔥 На stepik вышел курс, который учит Создавать настоящие AI-сервисы, а не просто запускать скрипты?

Этот практический курс по Python и FastAPI покажет, как собрать полноценное приложение с ИИ, базой данных, автогенерацией контента и Telegram-ботом.

Ты пройдёшь путь от первого HTTP-запроса до рабочего сервиса, который сам генерирует текст через ИИ, сохраняет данные, отправляет результаты по расписанию и отвечает пользователям.

Никакой теории ради теории - только практические шаги, из которых рождается реальный продукт.

🎁 48 часов действует скидка в 40% процентов

👉 Начать учиться на Stepik

Машинное обучение RU

19 January 2026 10:18

🧠 Sakana AI выпустили RePo - модуль, который делает LLM устойчивее к шуму и длинным текстам

Проблема обычных LLM:
они читают контекст как “ленту токенов”.
Если важная инфа далеко, а рядом куча мусора - внимание размазывается, и качество падает.

✅ RePo (Context Re-Positioning) решает это так:
модель учится переставлять контекст по смыслу:
- важное “подтягивает” ближе
- шум “отодвигает” дальше

И это даёт сильный рост качества именно там, где LLM обычно ломаются.

📊 Результаты в цифрах (главное)

✅ Noisy Context (контекст с шумом)
Среднее по 8 noisy-бенчмаркам:

- Обычный RoPE: 21.07
- RePo: 28.31

📈 Прирост: +7.24 пункта (очень много)

Отдельно авторы фиксируют:
RePo лучше RoPE на noisy-eval на +11.04 пункта (4K контекст).

🔥 Примеры по задачам:
- TriviaQA: 61.47 → 73.02 (**+11.55**)
- GovReport: 6.23 → 16.80 (**+10.57**)
- 2WikiMultihopQA: 23.32 → 30.86 (**+7.54**)
- MuSiQue: 7.24 → 13.45 (**+6.21**)

✅ Длинные контексты (8K / 16K)
Самое важное:
преимущество RePo не исчезает, а растёт на 8K и 16K,
даже если такие длины не встречались в обучении.

Итог:
RePo - это шаг к LLM, которые не просто “читают” промпт,
а сами наводят порядок в памяти: главное ближе, шум дальше.

Paper: arxiv.org/abs/2512.14391
Видео: https://youtu.be/cqWiBIbMK80

Машинное обучение RU

16 January 2026 13:03

🧠 Мо Гавдат (бывший Google CBO): самое интересное, о чём почти не говорят - самоэволюционирующий ИИ

“Главный инженер мира со временем станет ИИ.

И тогда вопрос простой:

кого вы наймёте, чтобы создавать следующий ИИ?
— Конечно, этот ИИ.

Машинное обучение RU

12 January 2026 11:03

🤖 Многопользовательская система с латентным мышлением

LatentMAS — это фреймворк для многопользовательского рассуждения, который переводит взаимодействие агентов в латентное пространство, обеспечивая более эффективное использование токенов и ускорение вычислений. Он совместим с любыми моделями Hugging Face и предлагает стабильную генерацию без необходимости в обучении.

🚀 Основные моменты:
- Эффективное многократное рассуждение с меньшим количеством токенов
- Латентное выравнивание без обучения
- Поддержка любых моделей HF и vLLM
- Значительное сокращение времени обработки (до 7 раз быстрее)

📌 GitHub: https://github.com/Gen-Verse/LatentMAS

#python

Машинное обучение RU

09 January 2026 11:03

🚀 Ускорение Mixture-of-Experts с SonicMoE

SonicMoE — это высокопроизводимая реализация Mixture-of-Experts, оптимизированная для GPU NVIDIA Hopper. Использует CuTeDSL и Triton для достижения выдающихся результатов благодаря IO-оптимизациям.

🚀 Основные моменты:
- Поддержка архитектуры NVIDIA Hopper.
- Высокая производительность благодаря эффективным алгоритмам.
- Простота интеграции с PyTorch.
- Открытый код и возможность внесения вкладов.

📌 GitHub: https://github.com/Dao-AILab/sonic-moe

#python

Машинное обучение RU

08 January 2026 10:10

🖥 На Stepik вышел курс, который учит работать с Docker на реальных проектах.

Владение Docker - навык, который отличает новичка от профи,

Сегодня почти всё разворачивается в контейнерах.

Если ты не умеешь работать с Docker, ты медленнее, зависим от чужих настроек и постоянно ловишь баги «у меня локально работает».

• как упаковывать проекты в контейнеры
• как поднимать целые системы за минуты
• как избегать типичных ошибок в продакшене
• как делать стабильные и повторяемые окружения
•в нем разобраны все возможные ошибки

Только практика и реальные кейсы от авторов Docker Академии- с нуля до уверенного уровня.

🎁 Скидка 40 процентов действует 48 часов

👉 Записывайся и сделай Docker своим настоящим рабочим инструментом.