Машинное обучение digest
61 subscribers
2.98K photos
496 videos
1.82K links
Download Telegram
Максим Решетников*:

"Российская экономика меняется и российскому бизнесу придётся меняться вместе с ней".

gov.ru
*глава Минэкономразвития
Прямых рейсов из России за границу этим летом станет на четверть меньше. Без пересадок россияне смогут улететь лишь примерно в 31–32 страны — это почти в три раза меньше, чем было даже во времена СССР. Среди причин называют геополитику, рост расходов на топливо и сезонное сокращение полётов.
17 уравнений, которые изменили мир

Есть формулы, которые не просто живут в учебниках. Они меняют то, как человек видит реальность.

Эти 17 уравнений стали фундаментом науки, инженерии, технологий, связи, финансов и всей современной картины мира.

1. Теорема Пифагора

a² + b² = c²

База геометрии. Без неё не было бы нормальной архитектуры, навигации, картографии и инженерных расчётов.

2. Логарифмы

log(xy) = log(x) + log(y)

До компьютеров логарифмы были главным способом упрощать сложные вычисления. Они ускорили астрономию, физику и инженерные расчёты.

3. Математический анализ

Производные и пределы дали язык для описания движения, скорости, ускорения и изменений во времени.

4. Закон всемирного тяготения

F = Gm₁m₂ / r²

Ньютон связал падение яблока, движение Луны и орбиты планет одной формулой.

5. Квадратный корень из минус единицы

i² = -1

Когда-то казался математической странностью. Потом стал основой электротехники, квантовой механики, обработки сигналов и комплексного анализа.

6. Формула Эйлера для многогранников

V - E + F = 2

Показала, что у формы есть внутренняя структура. Один из входов в топологию.

7. Нормальное распределение

Колокол Гаусса стал языком статистики, вероятностей, ошибок измерений и анализа данных.

8. Волновое уравнение

Описывает звук, свет, колебания, вибрации и распространение сигналов.

9. Преобразование Фурье

Позволило раскладывать сложный сигнал на простые частоты. Без него не было бы современной связи, аудио, изображений, МРТ и цифровой обработки сигналов.

10. Уравнения Навье-Стокса

Описывают движение жидкостей и газов. Авиация, погода, турбины, океанские течения и аэродинамика стоят рядом с ними.

11. Уравнения Максвелла

Объединили электричество, магнетизм и свет. Фактически открыли дорогу радио, антеннам, электродинамике и всей современной связи.

12. Второй закон термодинамики

dS ≥ 0

Дал математический язык энтропии и объяснил, почему у времени есть направление.

13. Теория относительности

E = mc²

Показала, что масса и энергия - две формы одного и того же.

14. Уравнение Шрёдингера

Фундамент квантовой механики. Без него не было бы современной физики атомов, полупроводников, лазеров и квантовых технологий.

15. Теория информации

Шеннон дал математический язык данным, сжатию, шуму и передаче информации.

16. Теория хаоса

Показала, что простые системы могут вести себя непредсказуемо, если они чувствительны к начальным условиям.

17. Уравнение Блэка-Шоулза

Изменило финансовые рынки и стало базовой моделью для оценки опционов.

Главная мысль простая: математика здесь не абстракция ради абстракции.

Это способ сжать огромный кусок реальности в одну строку.

Геометрия. Движение. Свет. Вероятность. Информация. Хаос. Деньги. Вселенная.

17 формул - 17 способов перепрошить человеческое понимание мира.
Qwen3.7 уже залетел на Arena😻

Версии
• Qwen3.7-Max-Preview
• Qwen3.7-Plus-Preview


Это пока preview-версии, вот их результаты:

- #6 на Text
- #5 в Vision

Ждём полноценный релиз.

Изначально ожидалось, что её анонсируют и запустят на Alibaba Cloud Summit 20 мая, но, похоже, команда Alibaba Qwen просто не смогла ждать ивент!

chat.qwen.ai
Cloudflare протестировали закрытый Mythos от Anthropic — и они реально напуганы его мощью 👀

Компания проверила Mythos на 50+ внутренних репозиториях, и модель оказалась настолько хороша, что её пока нельзя выпускать без дополнительных ограничений. Главный ее прикол в том, что нейронка умеет не только искать дыры (в отчете их нашли и другие модели), но и связывать несколько незначительных багов в одну полноценную атаку (!) с готовым PoC.

Причем пока что Mythos доступен практически без защит — то есть его легко уговорить сделать что-то незаконное.

А теперь представьте, если доступ попадет не в те руки 💀
Please open Telegram to view this post
VIEW IN TELEGRAM
Внутри Google сформировали специальный внутренний «комитет по компьюту»

Он распределяет доступ к кластерам TPU/GPU среди подразделений и проектов компании и решает, кто получает приоритет, а кто ждет в очереди.

То есть в условиях дефицита ресурсов даже сотрудникам Google приходится буквально конкурировать за железо и шлифовать продажные презентации для внутреннего комитета, чтобы получить квоту на вычисления.

Если квоту не дали, то ты со своим проектом либо останешься ждать в очереди, либо можешь пойти и слезно просить занять компьют у другой команды.

На фоне этого из Google начали уходить исследователи. В основном они перебираются в маленькие стартапы.
Китайские кандзи теперь стали бенчмарком для VLLM

Вышел открытый Chronicles-OCR - новый визуальный бенчмарк для проверки, насколько хорошо мультимодальные модели понимают древние китайские иероглифы.

Идея очень крутая: модели дают не современные аккуратные символы из шрифта, а реальные исторические формы письма за 3000 лет эволюции.

В датасете:

• 7 исторических стилей письма - от гадательных костей до скорописи
• 2800 сбалансированных изображений
• разные физические носители, где символы выглядят совсем не как “чистый OCR”
• задачи на поиск символов, распознавание, разбор древнего текста и классификацию стиля письма

Почему это интересно?

Потому что обычный OCR проверяет, умеет ли модель читать текст. А Chronicles-OCR проверяет другое: понимает ли VLLM, как меняется визуальная форма одного и того же знака во времени, на разных материалах и в разных стилях письма.

Для мультимодальных моделей это больное место. Символ может быть тем же самым по смыслу, но визуально выглядеть как совершенно другой объект. И здесь сразу видно, где модель реально “видит”, а где просто угадывает по паттернам.

Paper: https://arxiv.org/abs/2605.11960
GitHub: https://github.com/VirtualLUOUCAS/Chronicles-OCR
📌 Сколько стоит построить ИИ-ЦОД мощностью 1 ГВт?

Epoch AI опубликовала модельную оценку полной стоимости владения типовым дата-центром для искусственного интеллекта мощностью один гигаватт.

По расчётам, такой объект потребует около $38 млрд первоначальных капитальных вложений и $900 млн операционных расходов в год.

Если капитальные затраты распределить на срок службы оборудования, совокупная стоимость владения составляет примерно $8,5 млрд в год.


Около 60% этой суммы (порядка $5 млрд) приходится на серверы. Расходы на их фоне невелики: даже электроэнергия, крупнейшая операционная статья, по оценке обойдется в $600 млн в год.

Авторы оговариваются, что это упрощённая финмодель, а не оценка конкретного объекта.

Расчёт описывает гипотетический ЦОД крупного американского оператора облачной инфраструктуры на оборудовании NVIDIA GB200 NVL72.

Реальные издержки могут заметно отличаться в зависимости от выбора серверов, проектирования, расположения, схемы финансирования и стратегии энергоснабжения.


Главная неопределённость расчётов связана со сроком службы IT-оборудования.

Базовый сценарий исходит из 5 лет для серверов и сетевой инфраструктуры и 14 лет для здания. При сроке в 3 года годовая стоимость владения возрастает примерно до $12–13 млрд, при 7 - снижается до $7 млрд.

Оценка опирается на статистику государственного энергорегулятора США, показатели энергоэффективности Lawrence Berkeley Lab, стоимость серверов по выкладкам SemiAnalysis, строительные индексы Turner & Townsend и ряд других источников.

Модель предполагает полное питание от энергосети и не учитывает собственную генерацию, налоговые льготы оценены приблизительно.


Обновлённый расчёт даёт стоимость владения $8,5 млн на мегаватт в год против прежних $10,8 млн.

Снижение авторы объясняют переходом на новое оборудование и пересмотром части исходных данных.


https://xn--r1a.website/ai_machinelearning_big_data/10161

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
В Перми провели крестный ход, чтобы «избавиться от напасти» беспилотников — СМИ
🙏1
Рубль стал лучшей валютой мира по версии Bloomberg — с апреля он укрепился к доллару на 12%, курс уже ₽70.

каждый клик на 👏 приближает доллар к 50, но это не точно
Please open Telegram to view this post
VIEW IN TELEGRAM
👏1
⚡️ Linux может читать сетевые пакеты почти напрямую

В Linux можно открыть raw socket и увидеть пакеты, которые приходят на сетевую карту.

Без Wireshark.
Без libpcap.
Без лишних инструментов.

Пример из скрина делает простую вещь:

1. создаёт socket уровня AF_PACKET
2. просит у ядра все Ethernet-пакеты через ETH_P_ALL
3. в бесконечном цикле читает их через recvfrom
4. печатает размер каждого пакета

То есть программа буквально говорит ядру:

“Отдавай мне всё, что видит сетевой интерфейс.”

И Linux отдаёт.

Почему это круто?

Потому что так становится понятно, что Wireshark - это не магия. Он тоже получает низкоуровневый трафик от системы, просто красиво его разбирает и показывает.

Обычно разработчик работает с сетью на высоком уровне:

HTTP → TCP → socket

А raw socket позволяет спуститься ниже:

Ethernet frame → IP packet → TCP/UDP → payload

На таком уровне видно, что реально летит по сети: заголовки, размеры пакетов, служебные данные и весь сырой трафик.

Это один из тех примеров, после которых Linux networking перестаёт быть чёрным ящиком.
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡️ Machine Learning Roadmap 2025: большая карта входа в ML без сказок про “нейросети за месяц

Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга.

Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа.

Roadmap разбит на 7 треков:

1. Фундамент: Python, математика, статистика, инструменты
2. Классический ML: scikit-learn, табличные данные, метрики, валидация
3. Deep Learning: PyTorch, CNN, RNN, training loop
4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты
5. Generative AI: изображения, видео, аудио, мультимодальность
6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving
7. Специализация: CV, NLP, RecSys, RL, Safety

Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”.

В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы.

Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось.

По времени тоже без сказок:

1. 0-3 месяца: Python, математика, классический ML
2. 3-6 месяцев: Deep Learning и PyTorch
3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты
4. 12+ месяцев: MLOps, прод, масштабирование, специализация

Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу!

Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир.

https://github.com/justxor/MachineLearningRoadmap
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
🖥 Создатель C++ разнёс вайбкодинг: “сеньоры не хотят разгребать этот мусор”

Бьёрн Страуструп, легендарный создатель C++, в новом двухчасовом интервью резко прошёлся по вайбкодингу.

Главная претензия простая: сгенерированный код пока слишком часто выглядит красиво только на демке. В реальном проекте он приносит баги, раздувает кодовую базу, плодит уязвимости и плохо поддаётся нормальной проверке.

Особенно больно это бьёт по опытным разработчикам. Им потом приходится не “магически ускоряться с ИИ”, а читать, чинить и переписывать слоп, который кто-то нагенерировал за пять минут.

Похожая история уже достала и Линуса Торвальдса. Его буквально завалили кривыми AI-отчётами по ядру Linux: вроде бы люди “помогают”, а на практике создают шум, который мешает настоящей разработке.

И вот тут неприятный вывод для рынка:

ИИ не отменяет инженерное мышление.
Он просто делает слабого разработчика быстрее.

А если человек не понимает архитектуру, безопасность, тесты и границы задачи, то вайбкодинг превращается не в ускорение, а в генератор технического долга.

Сеньоры не боятся ИИ.
Они просто не хотят провести остаток карьеры, разгребая чужой промптованный мусор.
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡️ SkyClaw-v1.0: новая модель под tool use и агентные задачи

Skywork представила SkyClaw-v1.0 - агентную модель, оптимизированную под OpenClaw, Hermes и Nanobot.

Фокус на сценариях, где модель должна работать с инструментами и вести задачу в несколько ходов: выбрать tool, собрать аргументы, обработать ответ, продолжить выполнение и не развалиться на длинной цепочке действий.

Вместе с основной версией вышла SkyClaw-v1.0-lite - более быстрая и дешёвая версия для сценариев, где важна стоимость запуска.

Модель обучали в собственном окружении OpenClaw: с качественными инструментами и синтетическими задачами, собранными из реальных пользовательских паттернов. То есть её специально подгоняли под агентную работу, а не просто добавили tool calling поверх обычной языковой модели.

По заявлению Skywork, на PinchBench, Claw-Eval и Skywork-Claw-Bench обе версии обходят:

- Minimax 2.7
- DeepSeek V4 Flash
- Qwen 3.6 35B A3B
- Qwen 3.6 27B

https://www.apifree.ai/model/skywork-ai/skyclaw-v1?tab=api
На UNIX stdout - это просто файловый дескриптор 1.

И из-за этого можно поймать очень неприятный эффект: если закрыть stdout, следующий открытый файл может получить тот же дескриптор 1.

То есть код вроде этого:


close(1);
FILE *f = fopen("output.txt", "w");
printf("hello\n");


Может записать printf не в терминал, а прямо в output.txt.

Потому что система обычно выдаёт минимальный свободный файловый дескриптор. Закрыл 1 - значит он снова свободен. Открыл файл - он может стать новым stdout.

Мелочь, но именно из таких мелочей и состоит настоящее понимание UNIX.
This media is not supported in your browser
VIEW IN TELEGRAM
✔️ Black Forest Labs запустила MCP-сервер

Сервер доступен по адресу mcp.bfl.ai и позволяет создавать и редактировать изображения в чат-клиентах, поддерживающих этот протокол. Заявлена совместимость с Claude, Cursor, Codex, Windsurf и другими MCP-клиентами.

MCP-сервер предоставляет несколько инструментов: генерацию до 8 изображений параллельно, создание вариаций на основе предыдущего результата, просмотр истории запросов и проверку остатка средств на счёте.

Нужную модель клиент выбирает автоматически в зависимости от запроса. Доступно несколько моделей линейки FLUX.2: от быстрой Klein до топовой Мax. По умолчанию используется Flux2 Pro.

Оплата, согласно документации, производится напрямую BFL: счёт выставляется той организации, которая была выбрана при авторизации.

Актуальные тарифы - на странице bfl.ai/pricing.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Бывший CEO Google Эрик Шмидт выступил на выпускной церемонии Университета Аризоны с речью про ИИ.

Когда он сказал:
Вам не обязательно интересоваться ИИ. Какую бы карьеру вы ни выбрали, ИИ всё равно будет ее частью.


И зал раздался свистом.

Студенты воспринимают это так:
Вам придётся конкурировать с машинами за вашу первую работу.


Но с другой стороны, они находятся в лучшей позиции, чем предшественники и могут использовать мощные ИИ-инструменты уже на самом старте своей карьеры.