Today's AI systems learn mostly by passively absorbing data, but the brain builds intelligence in the reverse order.

Grounded world models in biological organisms and future embodied AI


📓 Read

@datascienceiot

Kimi Delta Attention.

— a minimal implementation of the Kimi K3 architecture.
http://k-a.in/KDA.html

From Worm to Human:
Scaling Brain Emulation


📓 Read

@datascienceiot

Часто заказчики отказываются от внедрения ИИ-ассистентов из-за «грязных» входных данных: PDF с таблицами или сканы плохо индексируются, нейросеть галлюцинирует 🤯

А что, если был бы ИТ-продукт, который не просто распознает символы, а сохраняет логику документа, превращая его в готовый формат для RAG (Markdown/JSON)❔
Это позволило бы клиентам в разы быстрее выводить ИИ-продукты в эксплуатацию и закрыть вопрос импортозамещения.

Такой продукт уже есть!

⚡️«Сервис интеллектуального парсинга документов» от Диасофт позволяет автоматизировать сквозную обработку неструктурированных данных из файлов различных форматов для последующей аналитики и использования в ИИ-сценариях. Встроенный единый HTTP API принимает файлы различных форматов (PDF, DOCX, PPTX, XLSX, HTML, изображения, аудиоформаты) и преобразовывает их в структурированные данные (JSON, Markdown, HTML) без потери семантики.

Подробнее — по ссылке!
#реклама
О рекламодателе

Title: "A Year in LLM Serving: Workload Evolution, Caching and Load-Balancing"

arxiv. org/abs/2608.13573

Бесплатная книга по performance engineering

В Algorithmica хорошо разобрали, почему классическая оценка сложности всё хуже отражает реальную производительность на современном железе.

Раньше модель была довольно логичной: процессор выполняет инструкции почти последовательно, у каждой есть своя стоимость, а значит можно примерно оценить время работы алгоритма количеством операций.

Потом всё упростили до асимптотики. Например, вместо точного количества операций в умножении матриц мы просто говорим O(n³) и игнорируем константы. Для сравнения алгоритмов на больших данных это удобно.

Но современные CPU устроены намного сложнее: кэши, конвейеры, параллельное выполнение инструкций, SIMD, prefetching, память с разной задержкой.

Поэтому два алгоритма с одинаковым O(n) могут отличаться по скорости в разы.

А иногда алгоритм с формально «хуже» сложностью на реальных размерах данных оказывается быстрее.

Хорошая серия для тех, кто хочет перейти от «у этого O(n), значит быстро» к пониманию того, как код реально выполняется процессором.

en.algorithmica.org/hpc/complexity/

@machinelearning_books

What Does Context Compression Cost an Agent? Interaction Costs Unrevealed by Task-Completion Metrics

5× context compression did surprisingly little to GPT-5.5’s final task result.

📓 Read

@datascienceiot

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку

Окружение решает больше, чем кажется.

Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.

AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://xn--r1a.website/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://xn--r1a.website/gamedev
Haskell: t.me/haskell_tg

Собеседования и карьера:

DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview

Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://xn--r1a.website/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://xn--r1a.website/addlist/mzMMG3RPZhY2M2Iy

Полезное сверху:

ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://xn--r1a.website/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://xn--r1a.website/addlist/BkskQciUW_FhNjEy

Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg

Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

10 бесплатных книг по программированию, которые можно читать прямо с GitHub

1. The Rust Programming Language
https://github.com/rust-lang/book

2. Rust by Example
https://github.com/rust-lang/rust-by-example

3. The Little Book of Rust Books
https://github.com/lborb/book

4. Python Data Science Handbook
https://github.com/jakevdp/PythonDataScienceHandbook

5. Dive Into Deep Learning
https://github.com/d2l-ai/d2l-en

6. Probabilistic Machine Learning
https://github.com/probml/pml-book

7. Algorithms for Decision Making
https://github.com/algorithmsbooks/algforopt-notebooks

8. Operating Systems: Three Easy Pieces
https://github.com/remzi-arpacidusseau/ostep-homework

9. Crafting Interpreters
https://github.com/munificent/craftinginterpreters

10. Free Programming Books — огромная библиотека бесплатных книг по Python, Java, C++, Go, AI, SQL, Linux и десяткам других тем
https://github.com/EbookFoundation/free-programming-books

Последний репозиторий особенно полезен: там собрана огромная регулярно обновляемая база легально доступных книг и учебных материалов по программированию.

Mathematical Theory of Deep Learning:

333-page PDF.

📓 Read

@datascienceiot

Встраивайте систему распознавания документов в ваш продукт за 15 минут 🚀

Если вы развиваете SaaS, автоматизируете B2B-процессы или собираете ИИ-агентов, вопрос безопасности и скорости обработки документов всегда встает ребром.

Provision OCR — это мощный российский движок для on-premise и private cloud развертывания.

⚡️ 100% локальности: данные не покидают ваш сервер.
⚡️ Скорость: обработка <3 сек/страница на GPU 2070 и выше, Поддержка CPU , точность до 99%
⚡️ Быстрая и бесшовная интеграция через REST API + gRPC.
⚡️ Поддержка разных документов на русском языке: договоры, счета и другие.

💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs

💻 Примеры кода на GitHub:
https://github.com/orgs/Provision-Labs/repositories

#OCR #ProvisionOCR #Документы #Разработка #Python #AI #OnPremise

Towards an AI-Augmented Textbook:


📓 Read

@datascienceiot

📚 Бесплатная книга по выпуклой оптимизации - 130 страниц

"Convex Optimization: Algorithms and Complexity" - хорошее введение в алгоритмы выпуклой оптимизации и их вычислительную сложность.

Внутри:

* градиентные методы
* ускоренные методы
* субградиентная оптимизация
* проксимальные алгоритмы
* first-order methods
* оценки скорости сходимости
* сложность оптимизационных алгоритмов

Полезно для ML, математики и тех, кто хочет глубже понять, что стоит за обучением моделей.

PDF:
https://arxiv.org/abs/1405.4980