1321
Математика, физика, дата сайнс. Основное правило - вежливое и уважительное общение. @sberlogabig основной канал @sberlogabio биоинформатика, биология @sberlogatalkclub за жизнь
Друзья, делимся записью митапа Sbergile: AI для CPO, который провели на прошлой неделе.
А ещё полезными материалами от наших спикеров!
В эфире пришли к выводу, что с ИИ-агентами продакты уже просыпаются и засыпают. Но чтобы не быть голословными, предлагаем вам потестировать некоторые инструменты, о которых эксперты упоминали в эфире, и поделиться с нами вашим мнением:
🔴 Сергей Ершов рассказывает, как построил конвейер для анализа исследований. Актуальные отчёты выходят с завидной регулярностью, и прочитать их все просто невозможно. С ИИ реально создать систему, которая будет поставлять вам нужные данные и выводы по запросу.
🔵 Сергей Паращенко предлагает протестировать скилл для проведения исследований, им делимся во вложении под постом. Благодаря ему вы можете сформулировать промпт для проведения глубинных исследований для любой LLM. Вы можете использовать данный скилл как системный промпт, если работаете напрямую с какой-то из LLM. А если вы работаете с Codex, Claude Code или иными инструментами, то можете развернуть его как скилл в проекте.
🟢 Андрей Потапов делится инструментом, который поможет в работе над вашей продуктовой стратегией. Опишите продуктовую идею простыми словами или ключевыми тезисами. Нажмите кнопку — GigaChat проведёт полный стратегический разбор: от JTBD (какие задачи пользователя решает идея) до стратегии вывода на рынок (каналы, этапы, MVP, метрики успеха). На выходе — готовый стратегический документ, который заменяет 3 дня работы аналитика. Ссылка будет доступна для вас в течение двух месяцев, рекомендуем открывать через Google Chrome.
📆 Что обсуждалось вчера 21.04.2026
Всего было написано 16 сообщений
🏆 Победы китайских женщин-математиков на престижной премии (2 сообщений)
📚 Качество Советского образования через анекдот (1 сообщений)
💻 Спецификация как источник правды в разработке ПО (1 сообщений)
📰 Закрытие сервиса Prism от OpenAI (1 сообщений)
📢 Новости Data Fest 2026 и дедлайн подачи докладов (1 сообщений)
Интересные ссылки:
Статья о победителях премии Breakthrough Prize
⚡️ Включи свой личный дайджест
🔥 Наш канал
#dailysummary
Подборка статей 2025 (часть 3)
Attention-based ranking
- LONGER: Scaling Up Long Sequence Modeling in Industrial Recommenders
- TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation
- Twin-Flow Generative Ranking Network for Recommendation
- InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction
- MARM: Unlocking the Recommendation Cache Scaling-Law through Memory Augmentation and Scalable Complexity
- GReF: A Unified Generative Framework for Efficient Reranking via Ordered Multi-token Prediction
- RankMixer: Scaling Up Ranking Models in Industrial Recommenders
- Climber: Toward Efficient Scaling Laws for Large Recommendation Models
- MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
- Action is All You Need: Dual-Flow Generative Ranking Network for Recommendation
- Make It Long, Keep It Fast: End-to-End 10k-Sequence Modeling at Billion Scale on Douyin
- OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender
- Massive Memorization with Hundreds of Trillions of Parameters for Sequential Transducer Generative Recommenders
- Practice on Long Behavior Sequence Modeling in Tencent Advertising
- Pyramid Mixer: Multi-dimensional Multi-period Interest Modeling for Sequential Recommendation
- Adaptive Domain Scaling for Personalized Sequential Modeling in Recommenders
- From Features to Transformers: Redefining Ranking for Scalable Impact
- From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction
- Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations
Non-Two-Tower retrieval
- Autoregressive Generative Retrieval for Industrial-Scae Recommendations at Pinterest
- MPFormer: Adaptive Framework for Industrial Multi-Task Personalized Sequential Retriever
- MISS: Multi-Modal Tree Indexing and Searching with Lifelong Sequential Behavior for Retrieval Recommendation
- Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations
- Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising
- Equip Pre-ranking with Target Attention by Residual Quantization
- GRank: Towards Target-Aware and Streamlined Industrial Retrieval with a Generate-Rank Framework
- SilverTorch: A Unified Model-based System to Democratize Large-Scale Recommendation on GPUs
- DualGR: Generative Retrieval with Long and Short-Term Interests Modeling
- An Efficient Embedding Based Ad Retrieval with GPU-Powered Feature Interaction
- Hierarchical Structured Neural Network: Efficient Retrieval Scaling for Large Scale Recommendation
Подборка статей 2025 (часть 1)
Как и обещал, выкладываю подборку статей по темам, которые освещал на выступлении.
End2End
- OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment
- OneRec Technical Report
- OneRec-V2 Technical Report
- OneLoc: Geo-Aware Generative Recommender Systems for Local Life Service
- OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion
- OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search
- UniSearch: Rethinking Search System with a Unified Generative Architecture
- EGA-V1: Unifying Online Advertising with End-to-End Learning
- EGA-V2: An End-to-end Generative Framework for Industrial Advertising
- GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation
LLM + RecSys
- PLUM: Adapting Pre-trained Language Models for Industrial-scale Generative Recommendations
- OneRec-Think: In-Text Reasoning for Generative Recommendation
- Align3GR: Unified Multi-Level Alignment for LLM-based Generative Recommendation
- GFlowGR: Fine-tuning Generative Recommendation Frameworks with Generative Flow Networks
Масштабирование
- LONGER: Scaling Up Long Sequence Modeling in Industrial Recommenders
- Scaling Generative Recommendations with Context Parallelism on Hierarchical Sequential Transducers
- Twin-Flow Generative Ranking Network for Recommendation
- InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction
- MARM: Unlocking the Recommendation Cache Scaling-Law through Memory Augmentation and Scalable Complexity
- TBGRecall: A Generative Retrieval Model for E-commerce Recommendation Scenarios
- RankMixer: Scaling Up Ranking Models in Industrial Recommenders
- Climber: Toward Efficient Scaling Laws for Large Recommendation Models
- MTGR: Industrial-Scale Generative Recommendation Framework in Meituan
- Action is All You Need: Dual-Flow Generative Ranking Network for Recommendation
- Meta’s Generative Ads Model (GEM): The Central Brain Accelerating Ads Recommendation AI Innovation
- OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender
- Massive Memorization with Hundreds of Trillions of Parameters for Sequential Transducer Generative Recommenders
- From Features to Transformers: Redefining Ranking for Scalable Impact
- From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction
- Scaling Transformers for Discriminative Recommendation via Generative Pretraining
- Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations
🎤Мастер-класс Как писать научные статьи по-английски так, чтобы их читали с интересом
На мастер-классе @alexandrayess и @amordasheva делятся своим опытом и разбирают на практике самые тонкие моменты написания статей на английском языке:
✔️Структура предложения: как сделать текст ясным и убедительным.
✔️Академический стиль: что убрать, а что добавить.
✔️Коварная пунктуация: запятые, точки, двоеточия — где их ставить.
✔️Типичные ловушки и ошибки, которых легко избежать.
👀Материалы:
✔️Запись YouTube
✔️Презентация
@mashkka_ds
#мастеркласс #paperwatch
Но я не очень понимаю какая задача сейчас решается
Читать полностью…
DiscoRL - out-of-distribution RL наконец-то решён?
Когда я увидел название статьи "Discovering state-of-the-art reinforcement learning algorithms" с David Silver в авторах, я прищурился. Заметив "meta-learning", "Atari", "outperforms manually designed" в абстракте, мой пульс подскочил в полтора раза. "Неужели это оно?" - думал я, открывая статью трясущимися руками.
Итак, в 2020 году вышла статья "Discovering reinforcement learning algorithms" - от того же автора. На заре существования канала я даже делал на неё обзор. Общий принцип работы с тех пор не изменился, просто всё допилено до лучшего состояния. На сайте у первого автора (junhyuk.com), кстати, написано "The majority of the work was finished in 2022.", так что, предположу, что он больше не развивает это направление, и его припахали к Gemini.
Так, обычно в RL-постановке у нас есть нейросеть-агент, которую мы обучаем, к примеру, с помощью Policy Gradient. То есть, определяющим в Policy Gradient является именно алгоритм, который считает таргеты. Подход LPG заключается в том, что мы начинаем генерировать таргеты для обучения отдельной нейросетью, которая и является объектом мета-обучения.
Основной агент выдаёт помимо стандартных policy и q-value ещё 2 вектора - y(s) и z(s, a), которые не имеют заранее определённой семантики.
Ключевой кусок алгоритма - мета-сеть - это LSTM, которая получает на вход траекторию из последних policy, y, z и Q и выдаёт таргеты для обучения - policy*, y* и z*, а основной агент просто обучается их приближать, и дополнительно учит свою Q-функцию также, как и в алгоритме Retrace - какой-то Prior Knowledge тут всё-таки зашит.
Обучают мета-агента, как и в оригинальной статье, с помощью дифференцирования по параметрам мета-сети чем-то на подобие Policy Gradient. С прошлой работой есть много различий в деталях, с которыми мало смысла разбираться. Приятные сюрпризы начинаются в районе результатов.
Что касается общей производительности алгоритма, есть улучшение в качестве относительно бейзлайна, но не прям какое-то экспоненциальное. Самое интересное начинается при тестировании на Out of Distribution Generalization.
Авторы обучили Disco57 на атари и затем гоняли его на других средах. На ProcGen качество получилось выше, чем у бейзлайнов! Ну и на других средах тоже работает нормально. Другая вариация - Disco103, которую обучили ещё на 2 наборах сред, показывает себя ещё лучше на hold-out средах из наборов 4-6, чем Disco57. Так что, какая-то степень генерализации точно присутствует! Авторы справедливо отмечают, что такой результат это что-то новенькое.
Безумно рад видеть прогресс в задаче OOD-RL. Несмотря на прогресс, на мой взгляд, нужно стремиться к результату другого уровня.
Во-первых, уверен, что можно на порядки сокращать количество шагов в среде, которые нужны, чтобы достичь уровней бейзлайнов, или даже набирать теоретический максимум во всех этих играх. Во-вторых, нужно учить алгоритмы в режиме Continual Learning, когда они умеют в ходе своей жизни накапливать знания и переносить скилл из одних игр в другие.
Можно ли достичь этого подобным подходом? Не знаю, для этого надо пушить это направление. Надеюсь, автор когда-нибудь вернётся к этой работе.
@knowledge_accumulator
OdanLab — электронный лабораторный журнал на базе OdanChem
Коллеги, у нас важный релиз, о котором давно пора рассказать.
OdanChem постепенно расширяется, в нем появляются новые подсистемы, и сегодня мы всем представляем электронный лабораторный журнал.
Чуть меньше года назад мы совместно с Иркутским Политехническим Университетом (ИРНИТУ) и Институтом Фаворского (ФИЦ ИрИХ СО РАН) начали работу над созданием платформы, где было бы удобно:
— вести совместную работу над исследовательскими проектами,
— анализировать и хранить данные,
— работать со складом реактивов,
— автоматически подтягивать сведения о молекулах.
Результатом стал электронный лабжурнал (он же ELN, или LIMS), который плотно интегрирован с основными базами данных OdanChem — https://lab.odanchem.org/.
Ключевые фишки, которые делают его удобным:
1) Легкое создание склада реактивов. Вы вводите CAS-номер или структуру и указываете, где лежит банка реактива. Система автоматически подгружает все данные по безопасности, физические свойства, и даже ЯМР спектры данной молекулы.
2) Совместная работа над проектами. Все ваши эксперименты хранятся в унифицированном формате, можно без проблем найти записи о том, что делал ваш коллега 3 года назад, даже если он уже уволился. Можно гибко настраивать уровни доступа к проекту, приглашать туда сотрудников.
3) Автоподтягивание свойств веществ. При создании реакции все доступные сведения о молекулах также автоматически подгрузятся и будут учтены в расчетах (например, плотность).
4) Автоматический контроль соответствия ЯМР спектров структуре. Когда вы выделили какую-то молекулу, зарегистрировали для неё спектры, их можно внести в соответствующее поле в журнале. Система проверит его на наличие ошибок, соответствие предполагаемой структуре и сравнит его с литературными данными (если они есть). Если соответствие найдено, будет приведена ссылка на литературный источник.
При совпадении будет приведена ссылка на источник. Если обнаружена ошибка — вы получите комментарий с её описанием.
5) и многое другое. Всё в один пост точно не поместится, будем постепенно публиковать описание возможностей данного журнала.
И заодно приветствуем предложения, чего ещё вам хотелось бы в нём увидеть.
Бесплатная версия системы доступна онлайн:
👉 https://lab.odanchem.org/
Можно начинать работать уже сейчас. Данные регулярно бэкапятся и шифруются, вероятность их потери минимальна. К примеру, почему бы преподавателям практикумов по органике не попробовать вести свой практикум здесь? Студентам удобно вести записи, а потом их легко проверять. Автосверка ЯМР со структурой будет бонусом, но автовыдачу люлей за плохое описание спектра пока не прикрутили.
Если у вас что-то работает неидеально, то скажите нам — ваши замечания и идеи реально учитываются и внедряются.
Все вопросы, баги и предложения — в чат техподдержки или на support@odanchem.org.
Если же вы хотите оффлайн версию — она тоже доступна, но это всё обговаривается индивидуально, т.к. у каждого свои особенности локальной сети в организации. Пишите нам, если заинтересованы.
#пост_по_регламенту
Внимание! Attention! Achtung! Dikkat! ¡Atención!
Штош, дорогие читатели нашего Зоопарка, мы долго думали собирались - и если бы не одни недавние новости, не факт, что вообще бы сделали этот шаг, но теперь мы заявляем:
Наш Зоопарк теперь будет еще и в
.
.
не угадали, не оно. Мы решили попробовать, а не сделать ли "английскую службу новостей" нашего Зоопарка - не всех сюжетов, но той части, которая могла бы быть интересна читателям за пределами нашей Родины и не владеющей великим и могучим. Напомним, телеграм используется по всему миру, и россиян в нем далеко не большинство.
Попробуем рассказать миру о том, что у нас хорошего и интересного в науке и образовании. Канал мы уже запустили буквально сегодня, и там уже есть первые сюжеты - встречайте, Russian Science Today by IvoryZoo.
Если вам нравится эта идея и вы хотите, чтоб о нас знали больше:
-добавляйтесь сами и,
-что особенно важно, зовите туда своих коллег из-за рубежа (можно просто переслать им специально сделанный пост, который мы подготовили - вот этот).
Хотите предложить новость? Пишите в личку нашего Зоопарка. Интересные конференции, куда вы хотите позвать коллег из других стран, свежие статьи в хороших журналах, да просто что-нибудь красивое - фотки из экспедиций и прочие "научные зарисовки" (у многих групп получаются офигенные фотки, которые мы иногда тырим, но всегда честно указываем, откуда).
Не обещаем, что возьмем все, но что понравится - да.
Ну и как обычно - наш Зоопарк всецело за хорошие коллаборации. Есть идеи - пишите все в ту же личку, интересные идеи обсудим с радостью, попытки указывать, как нам жить, будут восприняты неблагосклонно; как дружелюбие, так и хамство воздастся сторицей.
Посмотрим, что получится, эксперименты мы любим и практикуем, и да услышат трубление нашего слоняры далеко за пределами нашего Зоопарка!
Ваши,
Смотрители
Приветствую всех. вот такой дедупликатор данных получился.
Тут бесплатна версия
https://hub.docker.com/r/knodlang/kdlfree
до 100К записей в датасете можно дедуплицировать (CLI версия)
https://www.calend.ru/holidays/0/0/3346/
Читать полностью…
жуть, удивительно что такой пост спам фильрт прошел
Читать полностью…
текст настолько нейронковый
это какая то страшная постирония
или они правда решили так писать?
Всем привет! Вот несколько новых работ за прошлый месяц, делюсь)
Натюрморт с самоваром, натюрморт со скрипкой, два портрета…
🤖 AI в науке: остается неделя до окончания приёма заявок на Премию Сбера 2026
Это уже пятый сезон премии - для учёных, чьи достижения открывают новые перспективы в науке и технологиях.
🏆
Победители в основных номинациях получат по 30 млн рублей.
🏆
Призовой фонд - 7 млн рублей, которые победители разделят между собой
Пока у нас новый год и праздники, компании из Китая продолжают выкладывать очень интересные работы, так что выходные можно провести с пользой.
* OxygenREC: An Instruction-Following Generative Framework for E-commerce Recommendation
JD.com опубликовала работу про внедрение end2end генеративной рекомендательной системы в разные поврехности их маркетплейса. Результаты АБ-тестов впечатляют. Куча технических подробностей, мы в команде уже разбираем детали.
* OpenOneRec Technical Report
Kuaishou написали работу про объединение LLM и генеративной рекомендательной системы. Идейно статья похожа на OneRec-Think, однако в новой публикации делают не только претрейн, но и алайнмент. Кроме того, выкладывают в open source код обучения, датасеты и саму модель!
Подборка статей 2025 (часть 2)
Фундаментальные модели
- PinFM: Foundation Model for User Activity Sequences at a Billion-scale Visual Discovery Platform
- Large Foundation Model for Ads Recommendation
- Foundation Model for Personalized Recommendation
- Meta’s Generative Ads Model (GEM): The Central Brain Accelerating Ads Recommendation AI Innovation
- Realizing Scaling Laws in Recommender Systems: A Foundation–Expert Paradigm for Hyperscale Model Deployment
- External Large Foundation Model: How to Efficiently Serve Trillions of Parameters for Online Ads Recommendation
- Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations
Мультимодальность и Semantic Ids
- VL-CLIP: Enhancing Multimodal Recommendations via Visual Grounding and LLM-Augmented CLIP Embeddings
- Enhancing Embedding Representation Stability in Recommendation Systems with Semantic ID
- Progressive Semantic Residual Quantization for Multimodal-Joint Interest Modeling in Music Recommendation
- QARM: Quantitative Alignment Multi-Modal Recommendation at Kuaishou
- BiListing: Modality Alignment for listings
- DAS: Dual-Aligned Semantic IDs Empowered Industrial Recommender System
- Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations
- MOON Embedding: Multimodal Representation Learning for E-commerce Search Advertising
- MOON2.0: Dynamic Modality-balanced Multimodal Representation Learning for E-commerce Product Understanding
- LEMUR: Large scale End-to-end MUltimodal Recommendation
- STORE: Semantic Tokenization, Orthogonal Rotation and Efficient Attention for Scaling Up Ranking Models
- Multi-Aspect Cross-modal Quantization for Generative Recommendation
- Personalized Multi Modal Alignment Encoding for CTR-Recommendation in WeChat
- Generative Recommendation with Semantic IDs: A Practitioner’s Handbook
- CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
- Generating Long Semantic IDs in Parallel for Recommendation
- A Simple Contrastive Framework Of Item Tokenization For Generative Recommendation
- Learnable Item Tokenization for Generative Recommendation
- SIDE: Semantic ID Embedding for effective learning from sequences
- ActionPiece: Contextually Tokenizing Action Sequences for Generative Recommendation
КОМАНДА LLAMA.CPP И GGML ПРИСОЕДИНИЛАСЬ К HUGGING FACE ДЛЯ УПРОЩЕНИЯ ЛОКАЛЬНОГО ИНФЕРЕНСА.
Команда llama.cpp и GGML присоединилась к Hugging Face.
Георгий Герганов и его команда переходят в Hugging Face. Проект llama.cpp останется полностью открытым и независимым. Разработчики сохранят за собой техническое руководство, а Hugging Face обеспечит финансирование и ресурсы.
Цель партнерства — техническая интеграция. Поскольку transformers де-факто стала стандартом для архитектур ИИ-моделей, а llama.cpp выступает фундаментом для их локального инференса, команды хотят максимально упростить связку этих инструментов. В будущем развертывание новых моделей из transformers в llama.cpp должно работать в один клик.
Также планируется улучшить упаковку и общий пользовательский опыт архитектуры GGML. Hugging Face делает ставку на то, что локальный инференс вскоре станет альтернативой облачным вычислениям.
#историческое
Внезапно отрыли в сети прекрасное - полную коллекцию сканов первого советского массового компьютерного журнала - МПСС.
Изумительный слепок технологического прогресса на излете советской эпохи, сконструированный академиками Москвы - Питера - Новосиба.
Позалипать можно тут: https://oldpc.su/lib/magaz/mpsis/
📆 Что обсуждалось вчера 17.02.2026
Обсуждение ссылки на статью из Nature (4 сообщений)
#dailysummary | ⭐️ поддержать команду
https://www.nature.com/articles/s41586-025-09761-x#Bib1
Читать полностью…
📆 Что обсуждалось вчера 14.02.2026
Создание английской службы новостей Зоопарка (1 сообщений)
#dailysummary | ⭐️ поддержать команду
#зоопарк_одобряет
"Цифровой кочегар": искусственный интеллект научили видеть срывы пламени в угольных котлах раньше человека
Угольная энергетика остается основой мировой электрогенерации, но её эффективность напрямую зависит от стабильности горения пылеугольного факела. Малейший сбой - и КПД падает, растет расход топлива и выбросы. Ученые из Института теплофизики СО #РАН (Новосибирск) разработали гибридную систему диагностики, которая анализирует изображения пламени в реальном времени и предсказывает отклонения режима горения с высокой точностью. Для этого создали комбинацию из нейросетей, где каждая решает свою задачу:
-моделирование процесса: нейронка обучилась воспроизводить термогравиметрические кривые потери массы угля с коэффициентом детерминации 99%. Это значит, что цифровая модель почти идеально повторяет поведение реального топлива.
-поиск аномалий без учителя: Для ситуаций, когда нет точных измерений (например, старые котлы без датчиков), создан автоэнкодер, который самостоятельно выучивает "нормальное" пламя и детектирует отклонения со средней точностью 77%.
-распознавание с учителем: Там, где данные доступны, сверточная нейросеть анализирует изображения факела и выявляет аномалии с полнотой (recall) 89%.
-прогноз: LSTM-сеть с механизмом внимания предсказывает отклонения от стабильного горения со средней абсолютной ошибкой 8% и коэффициентом детерминации 91%.
Ученые полагают, что их система может оптимизировать работу ТЭЦ - это прямой путь к снижению расхода топлива, причем в больших масштабах.
Статья вышла в Engineering Applications of Artificial Intelligence (IF = 8.0)
Google DeepMind сделали, возможно, самого мощного ИИ-математика на сегодняшний день
Они представили Aletheia – агента, который набрал 91.9% на IMO-ProofBench Advanced (новый рекорд). Это один из самых жестких публичных тестов на доказательства в стиле Межнара по математике.
У Aletheia движок Gemini Deep Think, и процесс решения состоит из трех чередующихся этапов: генерация решений, верификация, корректировки. При этом относительно даже самой новой версии Gemini Deep Think Advanced агент показывает лучшие результаты с более низкими затратами на вычисления.
Помимо бенчмарков модель уже:
– решила четыре (формально) открытых задачи из списка Эрдеша, одна из которых, судя по всему, действительно не была закрыта ни в какой литературе до этого;
– автономно написала статью с правильными математическими результатами;
– в режиме ассистента работала с математиками и помогала в написании не-игрушечных научных работ.
Что еще интересно: Google подчеркивают, что Aletheia – живой пруф того, что законы масштабирования все еще работают. Даже на доказательной математике (а это ох какой непростой домен) качество продолжает расти предсказуемо благодаря именно правильной агентной обвязке, и более того, более умные циклы дают возможность получить больше качества за меньшую стоимость.
deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/
📆 Что обсуждалось вчера 09.02.2026
Критика стиля написания уведомления о конференции (3 сообщений)
Продление дедлайна для подачи абстрактов на конференцию (1 сообщений)
#dailysummary | ⭐️ поддержать команду
веяние времени во всех смыслах ("пипл хавает" 21 века), обучено на пользователях из аудитории. тут столько слоев смыслов...
Читать полностью…
🚨 ДЕДЛАЙН ПО АБСТРАКТАМ ПРОДЛЕН ЕЩЕ НА 2 НЕДЕЛИ!
Коллеги, мы продлили срок подачи абстрактов до 17 февраля 2026, 23:59 (МСК) в связи с массовыми проблемами активации аккаунтов на OpenReview!
✅ РЕШЕНИЕ ПРОБЛЕМЫ С АКТИВАЦИЕЙ
Многие не могут активировать свои аккаунты на OpenReview.
Простое решение:
Создайте новую почту на vk.com
Зарегистрируйтесь на OpenReview с этой почты
Проблема решается моментально!
⏰ УСПЕЙТЕ ПОДАТЬ АБСТРАКТ!
Новый дедлайн: 17 февраля 2026, 23:59 МСК
⚠️ КРИТИЧЕСКИ ВАЖНО:
✅ Абстракты принимаются ТОЛЬКО НА АНГЛИЙСКОМ ЯЗЫКЕ!
❌ Русскоязычные абстракты НЕ БУДУТ приняты к рецензированию!
📝 Подать абстракт: https://openreview.net/group?id=mathai.club/MathAI/2026/Conference
📄 Шаблон и инструкции: https://mathai.club/files/mathai2026.zip
🎯 ПРИГЛАШАЙТЕ КОЛЛЕГ!
MathAI 2026 — это одна из ведущих конференций в области Математики ИИ в России!
Успевайте пригласить:
👥 Своих коллег и научных руководителей
🎓 Студентов магистратуры и аспирантов
💼 Прикладных инженеров в области ИИ
🌍 Зарубежных партнеров
🆕 НОВИНКА: ПРИКЛАДНАЯ СЕКЦИЯ!
Планируется отдельная прикладная секция для специалистов из индустрии, работающих над реальными AI-приложениями!
🏆 ПРЕИМУЩЕСТВА УЧАСТИЯ
Публикация в ведущих журналах:
📚 Journal of Mathematical Sciences (Springer)
📚 Доклады РАН (под ред. академика А.Л. Семенова)
📚 Siberian Advances in Mathematics (под ред. академика С.С. Гончарова)
📚 Журнал "Системная Информатика"
📚 Mathematics of AI (новый журнал IAIC)
Часть журналов входят в Белый список ВАК и Scopus!
Для авторов лучших работ:
🏨 Бесплатное проживание в «Сириусе» (Сочи)
🍳 Завтраки включены
🌟 Современная система рецензирования (OpenReview — как в ICLR/NeurIPS)
📋 КЛЮЧЕВЫЕ ТЕМАТИКИ
🔹 Математическая логика
🔹 Теория алгоритмов
🔹 Теория вероятностей
🔹 Методы оптимизации
🔹 Теория доказательств
🔹 Дифференциальные уравнения
🔹 Теория игр для LLM и диффузионных моделей
🔹 Математические методы для нейронных сетей
🔹 Доверенный ИИ
🔹 Объяснительный ИИ
📅 ВАЖНЫЕ ДАТЫ
Абстракты: 17 февраля 2026, 23:59 МСК ⏰
Полные статьи: 1 марта 2026, 23:59 МСК
Конференция: 30 марта – 3 апреля 2026 | «Сириус», Сочи
👥 ОРГКОМИТЕТ
Академик РАН С.С. Гончаров (председатель)
Академик РАН А.Л. Семенов
Член-корр. РАН А.В. Гасников
Член-корр. РИА А.В. Нечесов
💬 НЕ ЗАБУДЬТЕ!
📢 ОБЯЗАТЕЛЬНО подпишитесь на наш Telegram-канал: /channel/mathai_club
🌐 Сайт конференции: https://mathai.club
✉️ Контакты: mathai.club@yandex.ru
🔥 ПОСЛЕДНИЙ ШАНС! ПОДАВАЙТЕ АБСТРАКТ ДО 17 ФЕВРАЛЯ!
Сейчас нужен только абстракт — полная статья потребуется позже. Не упустите возможность представить свою работу на престижной международной площадке!
#MathAI2026 #Конференция #Дедлайн #ИскусственныйИнтеллект #Математика #OpenReview #Сириус #Сочи #Наука
В прошлом году делал иллюстрацию на афишу рождественского действа «Поклонение волхвов», которое ежегодно играется в нашей школе. И в этом году не могу обойти рождественскую тему стороной:
«Долог путь в Вифлеем», 2025
Масло, холст на картоне, 18х24 см.