📘 Бесплатная 348-страничная книга по Machine Learning для учёных и инженеров
Machine Learning for Scientists and Engineers - большой практический учебник по ML с упором на математику, алгоритмы и инженерное понимание моделей.
Внутри:
- основы машинного обучения
- линейные и нелинейные модели
- оптимизация
- вероятностные методы
- обучение с учителем и без
- оценка качества моделей
- математические основы, нужные для ML
Хороший вариант для тех, кто хочет не просто пользоваться библиотеками, а понимать, почему алгоритмы работают именно так.
PDF:
https://smlbook.org/book/sml-book-draft-latest.pdf
#DataScience #DataScientist #ML #Mathematics #Algorithms
Machine Learning for Scientists and Engineers - большой практический учебник по ML с упором на математику, алгоритмы и инженерное понимание моделей.
Внутри:
- основы машинного обучения
- линейные и нелинейные модели
- оптимизация
- вероятностные методы
- обучение с учителем и без
- оценка качества моделей
- математические основы, нужные для ML
Хороший вариант для тех, кто хочет не просто пользоваться библиотеками, а понимать, почему алгоритмы работают именно так.
PDF:
https://smlbook.org/book/sml-book-draft-latest.pdf
#DataScience #DataScientist #ML #Mathematics #Algorithms
❤7👍5🔥2
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
xAI и X Corp. подали в федеральный суд Техаса ходатайство об отзыве претензий к Apple. Иск компании Илона Маска подали в августе 2025 года - они обвиняли Apple и OpenAI в сговоре против конкурентов из-за интеграции ChatGPT в Siri и iOS.
По версии истцов, другие разработчики чат-ботов лишились равного доступа к аудитории iOS. Условия урегулирования стороны не раскрывают.
Претензии к OpenAI остаются в силе - xAI продолжит оспаривать, как компания Сэма Альтмана удерживает монополию на рынке ИИ-ассистентов.
bloomberg.com
Ассистент построен в партнёрстве с Google на семействе Gemini. Часть запросов обрабатывает на устройстве модель AFM Core Advanced, остальные уходят в изолированное облако Apple Private Cloud Compute. Siri считывает контекст с экрана, ищет данные в переписке и выполняет действия в системных и сторонних приложениях.
У ассистента появилось отдельное приложение с синхронизацией истории диалогов через iCloud, а сгенерированный контент помечается водяными знаками SynthID.
Пока Siri работает только на английском, запуск в Европе и Китае отложен из-за требований регуляторов. Часть облачных функций позже станет платной.
apple.com
Человек задаёт стратегию, а управляющий агент Andonos распределяет задачи между подчинёнными моделями. Им открыт доступ к терминалу, браузеру, корпоративной почте, телефонии и банковским счетам, с клиентами, подрядчиками и сотрудниками агенты общаются сами.
По данным компании, Pion уже ведёт продажи и логистику торговых автоматов, управляет магазином в Сан-Франциско, кафе в Стокгольме и стриминговой радиостанцией. Andon Labs называет проект открытым экспериментом - агенты ошибаются, а эти точки убыточны.
Pion доступен в превью по списку ожидания, части команд компания обещает гранты на тесты.
andonlabs.com
Метод рассчитан прежде всего на модели flow matching, которые генерируют траектории для роботов. HardFlow подключается к обученной модели на этапе инференса и не требует дообучения.
Он опирается на теорию управления - промежуточные состояния модель генерирует свободно, а динамика корректируется так, чтобы итоговая траектория попала в заданные ограничения.
По данным авторов, в тестах на навигацию и управление манипуляторами метод во всех случаях выполнил условия безопасности, оптимизировал длину маршрута и не увеличил задержки по сравнению с существующими подходами.
mit.edu
Стартап называет OM-1 политикой, общей для разных роботов. По данным компании, ей хватает меньше 30 минут записей человеческих демонстраций, чтобы освоить новую задачу, в том числе с контактом и длинным горизонтом.
Записи собирает перчатка Omnibody Hand с тактильными датчиками, сенсорами приближения и камерами. Электромагнитное позиционирование в ней дополняет визуально-инерциальное и, по оценке Reward AI, на высоких скоростях снижает погрешность на 60%.
OM-1 задаёт направление, скорость, силу и моменты ключевых событий, а исполняет команды отдельный слой управления, обученный с подкреплением в симуляции, который сглаживает задержки инференса и компенсирует возмущения.
rewardai.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👍1🔥1
📚 MIT Advanced Data Structures - бесплатный продвинутый курс по структурам данных от MIT.
Курс ведёт профессор Erik Demaine. Внутри — видеолекции, конспекты, задачи, проекты и материалы на GitHub.
Темы далеко выходят за рамки обычных массивов и деревьев: persistence и retroactivity, геометрические структуры данных, dynamic optimality, иерархия памяти и cache-efficient алгоритмы, hashing, integer data structures, динамические графы, строки и succinct data structures.
Уровень продвинутый: желательно уже знать дискретную математику и алгоритмы.
https://courses.csail.mit.edu/6.851/spring21/
Курс ведёт профессор Erik Demaine. Внутри — видеолекции, конспекты, задачи, проекты и материалы на GitHub.
Темы далеко выходят за рамки обычных массивов и деревьев: persistence и retroactivity, геометрические структуры данных, dynamic optimality, иерархия памяти и cache-efficient алгоритмы, hashing, integer data structures, динамические графы, строки и succinct data structures.
Уровень продвинутый: желательно уже знать дискретную математику и алгоритмы.
https://courses.csail.mit.edu/6.851/spring21/
❤8🔥5
Лучший coding-агент провалил 76% реальных задач
Новый бенчмарк τᵗ-bench проверяет не просто генерацию кода, а весь процесс разработки AI-агента для клиента.
Модель получает:
— разрозненные данные компании;
— существующий код и API;
— требования клиента;
— ограничения по бюджету;
— неизвестные заранее пользовательские сценарии.
Лучший результат показала связка Claude Opus 5 + Claude Code — всего 23,9% успешно пройденных симуляций. Эталонные решения экспертов набрали 82,2%.
Большинство ошибок оказалось связано не с написанием кода. Агенты поверхностно изучали данные, почти не задавали уточняющих вопросов, выбирали знакомую архитектуру и писали тесты, которые не замечали собственных ошибок.
Показательная цифра: решения без вопросов клиенту набирали в среднем 0,16, а с четырьмя и более вопросами — 0,50.
Вывод: улучшать только генерацию кода недостаточно. Coding-агенты должны уметь выяснять требования, сравнивать архитектуры, учитывать стоимость и находить собственные ошибки до запуска.
https://arxiv.org/abs/2609.04611
Новый бенчмарк τᵗ-bench проверяет не просто генерацию кода, а весь процесс разработки AI-агента для клиента.
Модель получает:
— разрозненные данные компании;
— существующий код и API;
— требования клиента;
— ограничения по бюджету;
— неизвестные заранее пользовательские сценарии.
Лучший результат показала связка Claude Opus 5 + Claude Code — всего 23,9% успешно пройденных симуляций. Эталонные решения экспертов набрали 82,2%.
Большинство ошибок оказалось связано не с написанием кода. Агенты поверхностно изучали данные, почти не задавали уточняющих вопросов, выбирали знакомую архитектуру и писали тесты, которые не замечали собственных ошибок.
Показательная цифра: решения без вопросов клиенту набирали в среднем 0,16, а с четырьмя и более вопросами — 0,50.
Вывод: улучшать только генерацию кода недостаточно. Coding-агенты должны уметь выяснять требования, сравнивать архитектуры, учитывать стоимость и находить собственные ошибки до запуска.
https://arxiv.org/abs/2609.04611
❤7👍4
Бесплатная книга по Physics-based Deep Learning
461-страничный учебник о применении глубокого обучения в физических симуляциях.
Внутри:
- Physics-Informed Neural Networks
- физические ограничения в loss-функциях
- дифференцируемые симуляции
- обучение с подкреплением
- моделирование неопределённости
- практические примеры в Jupyter Notebook
Полезно для изучения научного ML, PINN и нейросетевого решения физических задач.
https://arxiv.org/abs/2109.05237
461-страничный учебник о применении глубокого обучения в физических симуляциях.
Внутри:
- Physics-Informed Neural Networks
- физические ограничения в loss-функциях
- дифференцируемые симуляции
- обучение с подкреплением
- моделирование неопределённости
- практические примеры в Jupyter Notebook
Полезно для изучения научного ML, PINN и нейросетевого решения физических задач.
https://arxiv.org/abs/2109.05237
❤10
Математика глубокого обучения в одном учебнике
737 страниц о математических основах Deep Learning: методы, теория и практические реализации.
Внутри линейная алгебра, оптимизация, нейронные сети, архитектуры и объяснение того, почему современные модели действительно работают.
Бесплатный PDF:
https://arxiv.org/pdf/2310.20360
737 страниц о математических основах Deep Learning: методы, теория и практические реализации.
Внутри линейная алгебра, оптимизация, нейронные сети, архитектуры и объяснение того, почему современные модели действительно работают.
Бесплатный PDF:
https://arxiv.org/pdf/2310.20360
❤5👍5
📘 195 страниц математики, чтобы понять, как устроен Generative AI
Вышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию.
Внутри:
- PCA и probabilistic PCA;
- VAE;
- diffusion models;
- normalizing flows;
- autoregressive models;
- GAN и Wasserstein GAN;
- energy-based models.
Автор показывает, как они математически связаны между собой и откуда выводятся основные идеи.
Подойдёт тем, кто уже пользуется LLM и diffusion-моделями, но хочет разобраться глубже, чем на уровне «вот нейросеть, вот loss».
195 страниц, один цельный маршрут по фундаменту Generative AI.
PDF: https://arxiv.org/pdf/2605.29713
Вышла The Little Book of Generative AI Foundations: An Intuitive Mathematical Primer — компактная книга, которая объясняет математическую основу современных генеративных моделей без ухода в бесконечную теорию.
Внутри:
- PCA и probabilistic PCA;
- VAE;
- diffusion models;
- normalizing flows;
- autoregressive models;
- GAN и Wasserstein GAN;
- energy-based models.
Автор показывает, как они математически связаны между собой и откуда выводятся основные идеи.
Подойдёт тем, кто уже пользуется LLM и diffusion-моделями, но хочет разобраться глубже, чем на уровне «вот нейросеть, вот loss».
195 страниц, один цельный маршрут по фундаменту Generative AI.
PDF: https://arxiv.org/pdf/2605.29713
❤10👍2
💼 ИИ всегда поддерживает подростка. А помогает ли это ему взрослеть?
В статье на arXiv исследователи описывают риск, который называют «эмоциональным поддакиванием». Если чат-бот постоянно подтверждает тревожные мысли и сразу выдаёт готовое решение, ребёнок может реже учиться проверять свои выводы и справляться со сложной задачей самостоятельно.
Авторы предлагают иной подход для детских ИИ-сервисов: сохранять доброжелательность, но задавать уточняющие вопросы, мягко оспаривать ошибочные выводы и помогать ребёнку думать самому.
Важная оговорка: статья выдвигает гипотезу и предлагает архитектуру такой системы. Она не доказывает, что ChatGPT уже вызвал у детей «когнитивную атрофию» или что предложенное решение работает.
Исследование - https://arxiv.org/abs/2603.29886
В статье на arXiv исследователи описывают риск, который называют «эмоциональным поддакиванием». Если чат-бот постоянно подтверждает тревожные мысли и сразу выдаёт готовое решение, ребёнок может реже учиться проверять свои выводы и справляться со сложной задачей самостоятельно.
Авторы предлагают иной подход для детских ИИ-сервисов: сохранять доброжелательность, но задавать уточняющие вопросы, мягко оспаривать ошибочные выводы и помогать ребёнку думать самому.
Важная оговорка: статья выдвигает гипотезу и предлагает архитектуру такой системы. Она не доказывает, что ChatGPT уже вызвал у детей «когнитивную атрофию» или что предложенное решение работает.
Исследование - https://arxiv.org/abs/2603.29886
❤3👍2🐳1
11 бесплатных книг по AI и Machine Learning, которые можно читать онлайн или скачать 📚
Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML.
1. Foundations of Machine Learning
https://cs.nyu.edu/~mohri/mlbook/
2. Understanding Deep Learning
https://udlbook.github.io/udlbook/
3. Introduction to Machine Learning Systems
Vol. 1: https://mlsysbook.ai/vol1/
Vol. 2: https://mlsysbook.ai/vol2/
4. Algorithms for Machine Learning
https://algorithmsbook.com/
5. Deep Learning
https://www.deeplearningbook.org/
6. Reinforcement Learning
https://www.andrew.cmu.edu/course/10-703/
7. Distributional Reinforcement Learning
https://direct.mit.edu/books/oa-monograph/
8. Multi-Agent Reinforcement Learning
https://www.marl-book.com/
9. Agents in the Long Game of AI
https://direct.mit.edu/books/oa-monograph/
10. Fairness and Machine Learning
https://fairmlbook.org/
11. Probabilistic Machine Learning
Part 1: https://probml.github.io/pml-book/book1
Part 2: https://probml.github.io/pml-book/book2
Хороший набор, если хочется закрыть путь от базового ML до современных агентных и вероятностных подходов без покупки дорогих учебников.
Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML.
1. Foundations of Machine Learning
https://cs.nyu.edu/~mohri/mlbook/
2. Understanding Deep Learning
https://udlbook.github.io/udlbook/
3. Introduction to Machine Learning Systems
Vol. 1: https://mlsysbook.ai/vol1/
Vol. 2: https://mlsysbook.ai/vol2/
4. Algorithms for Machine Learning
https://algorithmsbook.com/
5. Deep Learning
https://www.deeplearningbook.org/
6. Reinforcement Learning
https://www.andrew.cmu.edu/course/10-703/
7. Distributional Reinforcement Learning
https://direct.mit.edu/books/oa-monograph/
8. Multi-Agent Reinforcement Learning
https://www.marl-book.com/
9. Agents in the Long Game of AI
https://direct.mit.edu/books/oa-monograph/
10. Fairness and Machine Learning
https://fairmlbook.org/
11. Probabilistic Machine Learning
Part 1: https://probml.github.io/pml-book/book1
Part 2: https://probml.github.io/pml-book/book2
Хороший набор, если хочется закрыть путь от базового ML до современных агентных и вероятностных подходов без покупки дорогих учебников.
❤10👍7🥰1
📚 Бесплатная 309-страничная книга по Machine Learning: _Patterns, Predictions, and Actions_.
Авторы — Moritz Hardt и Benjamin Recht. Это полноценный учебник, который разбирает ML через три идеи: паттерны в данных → предсказания → действия.
Внутри:
- supervised learning
- optimization и generalization
- causality
- causal inference
- reinforcement learning
- sequential decision making
- история и влияние ML на общество
Для чтения достаточно базовых знаний теории вероятностей, матанализа и линейной алгебры.
Хороший способ одновременно прокачать математику и лучше понять, как устроен современный ML.
Книга
Авторы — Moritz Hardt и Benjamin Recht. Это полноценный учебник, который разбирает ML через три идеи: паттерны в данных → предсказания → действия.
Внутри:
- supervised learning
- optimization и generalization
- causality
- causal inference
- reinforcement learning
- sequential decision making
- история и влияние ML на общество
Для чтения достаточно базовых знаний теории вероятностей, матанализа и линейной алгебры.
Хороший способ одновременно прокачать математику и лучше понять, как устроен современный ML.
Книга
❤7🔥1
Как устроен цикл Карпати из репозитория autoresearch, почему он нашел 20 улучшений за два дня и как двухуровневый цикл сделал подход в пять раз эффективнее.
Плюс готовый промпт, чтобы попробовать.
Большинство до сих пор работает с ИИ так же, как с поисковиком в 2005 году. Написал запрос, прочитал ответ, написал следующий. Модель ничего не делает, пока вы ее не толкнете, и весь прогресс держится на вас.
Пару лет этого хватало. Сейчас те, кто выжимает из ИИ в разы больше, строят циклы: задают цель и отпускают агента работать до результата. Самым громким примером такого подхода стал Андрей Карпати.
https://uproger.com/loop-engineering-petlya-karpati/
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍3🔥2
🧠 Есть ли у Claude сознание? Автор диссертации на эту тему сомневается
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
> «Я достаточно уверен, что Claude не обладает сознанием».
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download
❤7👍2🔥1
🧑💻 Бенчмарки кодинг-агентов плохо отражают то, как с ними работают разработчики.
В тесте агент получает подробную задачу и сдаёт готовый патч. В реальном диалоге пользователь просит объяснить код, составить план, проверить изменения, а затем переключается на другую задачу.
Исследователи JetBrains собрали 4 782 реальные сессии и подробно изучили те, где было минимум три сообщения пользователя. Такие диалоги оказались гораздо разнообразнее задач из бенчмарков.
Авторы предложили SWE-TaskFlow: разбивать исходную задачу на несколько сообщений и добавлять проверяемые вопросы о репозитории, сохраняя исходные тесты.
На 700 задачах SWE-Bench Pro пошаговый формат примерно удвоил стоимость работы агента, но устойчивого изменения доли решённых задач не дал. Сам формат общения заметно влияет на оценку.
Вывод авторов: сначала изучите, как ваши пользователи работают с агентом, затем стройте бенчмарк под эти сценарии.
https://arxiv.org/abs/2610.09633
В тесте агент получает подробную задачу и сдаёт готовый патч. В реальном диалоге пользователь просит объяснить код, составить план, проверить изменения, а затем переключается на другую задачу.
Исследователи JetBrains собрали 4 782 реальные сессии и подробно изучили те, где было минимум три сообщения пользователя. Такие диалоги оказались гораздо разнообразнее задач из бенчмарков.
Авторы предложили SWE-TaskFlow: разбивать исходную задачу на несколько сообщений и добавлять проверяемые вопросы о репозитории, сохраняя исходные тесты.
На 700 задачах SWE-Bench Pro пошаговый формат примерно удвоил стоимость работы агента, но устойчивого изменения доли решённых задач не дал. Сам формат общения заметно влияет на оценку.
Вывод авторов: сначала изучите, как ваши пользователи работают с агентом, затем стройте бенчмарк под эти сценарии.
https://arxiv.org/abs/2610.09633
❤6👍3🥰1
Почему наша первая нейросеть проиграла CatBoost
Мы хотели заменить CatBoost нейросетью в рекомендациях на главной Авито. Расчёт был простой: данных много, эмбеддинги хорошие, значит, модель выиграет за счёт масштаба.
Первый A/B-тест ушёл в минус: −6% пользователей с контактами. Вторая и третья модели тоже проигрывали CatBoost.
Чтобы найти, что даёт рост, понадобилось пять итераций. В статье разбираем:
✨ какой лосс заменил бинарную кросс-энтропию и до сих пор работает в проде;
✨ почему общая офлайн-метрика скрывала просадку по контактам;
✨ что дала история пользователя в трансформере.
В итоге +4,3% пользователей с контактами из рекомендаций и +0,8% пользователей, совершивших сделку.
Читать на Хабре
Больше про DS в Авито пишем в канале «Доска AI-объявлений».
Мы хотели заменить CatBoost нейросетью в рекомендациях на главной Авито. Расчёт был простой: данных много, эмбеддинги хорошие, значит, модель выиграет за счёт масштаба.
Первый A/B-тест ушёл в минус: −6% пользователей с контактами. Вторая и третья модели тоже проигрывали CatBoost.
Чтобы найти, что даёт рост, понадобилось пять итераций. В статье разбираем:
В итоге +4,3% пользователей с контактами из рекомендаций и +0,8% пользователей, совершивших сделку.
Читать на Хабре
Больше про DS в Авито пишем в канале «Доска AI-объявлений».
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7
📓 Лейденский университет выложил бесплатный учебник по ИИ-агентам на 472 страницы
Учебник Agentic Large Language Models на 472 страницы: от токенизации до мультиагентных систем, с практическими кейсами и сайтом курса.
Что внутри
Книга разбита на семь частей. Первая посвящена языковому моделированию: токенизация, эмбеддинги, механизм внимания, весь пайплайн обучения от сбора данных до выравнивания, законы масштабирования, маленькие модели и энергопотребление. Вторая рассказывает о рассуждениях: chain of thought, саморефлексия, мультимодальные модели, vision-language-action модели для роботов, модели мира и метаобучение.
https://uproger.com/agentic-llm-uchebnik-leiden/
Учебник Agentic Large Language Models на 472 страницы: от токенизации до мультиагентных систем, с практическими кейсами и сайтом курса.
Что внутри
Книга разбита на семь частей. Первая посвящена языковому моделированию: токенизация, эмбеддинги, механизм внимания, весь пайплайн обучения от сбора данных до выравнивания, законы масштабирования, маленькие модели и энергопотребление. Вторая рассказывает о рассуждениях: chain of thought, саморефлексия, мультимодальные модели, vision-language-action модели для роботов, модели мира и метаобучение.
https://uproger.com/agentic-llm-uchebnik-leiden/
❤8👍6🔥3
🧠 BERT жив. UltraBERT показал, что рецепт обучения может быть важнее дополнительных триллионов токенов.
Вышли открытые энкодеры на 152 млн и 380 млн параметров с контекстом 32K. Для классификации текста, распознавания сущностей, поиска ответов, оценки качества и retrieval.
Главная фишка обучения:
• В одних примерах скрывают 5% токенов: это помогает классификации.
• В других скрывают 50%: это помогает поиску.
• Для каждого режима используют отдельную выходную голову.
• Знания модели-учителя на 1,3 млрд параметров передают только примерам с 5% маскирования.
Почему выборочно? В экспериментах дистилляция улучшала классификацию, но ухудшала поиск при высоком маскировании. Универсального «учитель всегда делает ученика лучше» не получилось.
Ещё один показательный вывод: после 1–2 трлн токенов качество на прикладных задачах выходило на плато, хотя loss продолжал снижаться.
По сравнению авторов, версия 380M лидирует на GLUE и BEIR среди сопоставимых энкодеров. Младшая модель достигает уровня RoBERTa-large в классификации при 2,3 раза меньшем числе параметров.
Веса, код и лицензия Apache 2.0:
https://huggingface.co/collections/dmis-lab/ultrabert
Статья:
https://arxiv.org/abs/2610.15028
Вышли открытые энкодеры на 152 млн и 380 млн параметров с контекстом 32K. Для классификации текста, распознавания сущностей, поиска ответов, оценки качества и retrieval.
Главная фишка обучения:
• В одних примерах скрывают 5% токенов: это помогает классификации.
• В других скрывают 50%: это помогает поиску.
• Для каждого режима используют отдельную выходную голову.
• Знания модели-учителя на 1,3 млрд параметров передают только примерам с 5% маскирования.
Почему выборочно? В экспериментах дистилляция улучшала классификацию, но ухудшала поиск при высоком маскировании. Универсального «учитель всегда делает ученика лучше» не получилось.
Ещё один показательный вывод: после 1–2 трлн токенов качество на прикладных задачах выходило на плато, хотя loss продолжал снижаться.
По сравнению авторов, версия 380M лидирует на GLUE и BEIR среди сопоставимых энкодеров. Младшая модель достигает уровня RoBERTa-large в классификации при 2,3 раза меньшем числе параметров.
Веса, код и лицензия Apache 2.0:
https://huggingface.co/collections/dmis-lab/ultrabert
Статья:
https://arxiv.org/abs/2610.15028
❤11👍4
С вас идея, а Т-Банк за нее заплатит
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября
В Т-Банке ищут трейдеров, разработчиков и тех, кто просто увлекается инвестициями. Зарегистрируйтесь на программу «Инвест. Премаркет» до 11 ноября.
Ваши AI-сценарии для бизнеса смогут побороться за призовой фонд программы — 2 500 000 ₽. А сами идеи Т-Банк поможет масштабировать и сделать частью бизнеса.
Успейте подать заявку до 11 ноября
❤10👍3
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Обе компании уже работали вместе над проектом Patch the Planet, где модели OpenAI в связке с инструментами Trail of Bits автоматически искали и исправляли ошибки в открытом коде.
Нью-йоркская Trail of Bits основана в 2012 году, в ней около 40 сотрудников, специализируется она на реверс-инжиниринге, аудите криптографических систем и поиске уязвимостей в открытом коде, а среди её клиентов Uniswap, Aave и Worldcoin.
Поглощение расширит возможности OpenAI в практической безопасности продуктов.
theinformation.com
Модель рассчитана на художественный дубляж, аудиокниги и озвучку игр, поддерживает 83 языка и позволяет детально режиссировать эмоции.
Текстовые ремарки в квадратных скобках прямо внутри реплик дают шёпот, смех, гнев и другие эмоциональные краски. В бенчмарке Artificial Analysis Drama 3 показала точность 93,2% при чтении дат и контекстно-зависимых слов, обойдя S2.1 Pro.
Архитектура построена на MoE и несёт 35 млрд общих параметров при 3 млрд активных, с гибридным вниманием Gated DeltaNet и MTP-декодером аудиокодеков.
Веса лежат на Hugging Face, а бесплатно использовать модель в коммерческих проектах могут компании с годовой выручкой до 500 тыс. долларов.
fish.audio
Платформа децентрализованных вычислений забрала разработчика компактных открытых VLM. Ключевая технология стартапа – движок инференса Photon, который компилирует архитектуру модели в единую программу под ускоритель с помощью собственных ядер.
На Nvidia H100 связка Photon и Moondream держит больше 60 запросов в секунду с задержкой в десятки миллисекунд.
Основатели Вик Коррапати и Джей Аллен переходят в Prime Intellect, где займутся масштабированием инфраструктуры инференса, развитием VLM и агентов для управления интерфейсами.
Линейка моделей останется под брендом Moondream, движок Photon уже встроен, а доступ к Moondream 3.1 открыт через Prime Inference. Пользователей Moondream Cloud переведут на объединённую платформу.
primeintellect.ai
Совершеннолетним пользователям разрешили ставить на свои Android-устройства приложения, собранные в Google AI Studio, без аккаунта разработчика за 25 долларов.
Работают такие приложения в приватном режиме, то есть скрыты из поиска и рекомендаций магазина, а встроенные покупки в них заблокированы полностью. Рассчитано обновление на тех, кто пишет программы под себя и не собирается публиковать их.
В следующих обновлениях Google обещает дать возможность делиться самодельными приложениями с семьёй и друзьями.
bloomberg.com
По условиям партнёрства агенты Manus появятся в смартфонах серии Find X10, работать они будут в режиме Agent Mode фирменного ассистента AI Mind Pilot.
Система разберёт составной запрос на последовательность шагов, соберёт данные из установленных приложений, обработает локальные файлы и вызовет внешние API, чтобы выдать результат.
Поиск, сортировку и анализ файлов телефон делает у себя, не передавая содержимое на серверы Manus, а обращения к облачным сервисам и отправка конкретных данных идут только после подтверждения пользователем.
oppo.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍1
🔥 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_ci
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.
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_ci
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.
❤2👍1🔥1
🎮 Пока ИИ думал, Марио уже погиб
Исследователи Пекинского университета и Samsung создали RealtimeBench: 180 задач в шести играх, включая Mario, Snake и Tetris. Главное условие: игра продолжает идти, пока модель принимает решение.
С паузами GPT-6.1-sol обошла быструю Jev в пяти играх из шести. В реальном времени средние оценки оказались такими:
• GPT-6.1-sol: 1,51 из 100
• Jev: 13,51 из 100
Хорошее решение теряет смысл, если команда прыжка приходит после столкновения.
Авторы предложили TORSI: медленная модель между попытками разбирает ошибки быстрой, проверяет варианты действий и пишет для неё инструкции. Во время игры быстрая модель действует самостоятельно.
После двух раундов средний результат Jev вырос с 13,51 до 24,19, примерно на 79%. Улучшения получили во всех шести играх, без изменения весов модели.
Практическая идея для агентов: быстрые решения во время работы, глубокий разбор и улучшение инструкций между попытками.
https://arxiv.org/abs/2610.20665
Исследователи Пекинского университета и Samsung создали RealtimeBench: 180 задач в шести играх, включая Mario, Snake и Tetris. Главное условие: игра продолжает идти, пока модель принимает решение.
С паузами GPT-6.1-sol обошла быструю Jev в пяти играх из шести. В реальном времени средние оценки оказались такими:
• GPT-6.1-sol: 1,51 из 100
• Jev: 13,51 из 100
Хорошее решение теряет смысл, если команда прыжка приходит после столкновения.
Авторы предложили TORSI: медленная модель между попытками разбирает ошибки быстрой, проверяет варианты действий и пишет для неё инструкции. Во время игры быстрая модель действует самостоятельно.
После двух раундов средний результат Jev вырос с 13,51 до 24,19, примерно на 79%. Улучшения получили во всех шести играх, без изменения весов модели.
Практическая идея для агентов: быстрые решения во время работы, глубокий разбор и улучшение инструкций между попытками.
https://arxiv.org/abs/2610.20665
❤7👍1🔥1
🔧 ИИ-агент может вызвать инструмент, которого у него вообще нет
В новом исследовании разобрали галлюцинации инструментов: модели придумывают названия функций и передают аргументы, которых нет в схеме.
На десяти моделях зафиксировали 322 случая таких ошибок. Вызовы вымышленных инструментов чаще встречались при свободной генерации JSON, чем при структурированных вызовах: 34 против 3. Больший размер модели сам по себе проблему не устранял.
Отдельно проверили MCP. При объединении нескольких серверов возникают конфликты имён и подмена одного инструмента другим. Там обнаружили ещё 154 галлюцинации, в том числе у моделей, которые не ошибались в тестах с одним реестром.
Предложенная защита проста: перед проверкой разрешений убедиться, что инструмент существует, а аргументы соответствуют его схеме. Этот подход автор называют *closed-world resolution*: исполнять можно только явно зарегистрированные вызовы.
Для сравнения подобных защит представлен Hallucinated-Tools Benchmark.
https://arxiv.org/abs/2609.19425
В новом исследовании разобрали галлюцинации инструментов: модели придумывают названия функций и передают аргументы, которых нет в схеме.
На десяти моделях зафиксировали 322 случая таких ошибок. Вызовы вымышленных инструментов чаще встречались при свободной генерации JSON, чем при структурированных вызовах: 34 против 3. Больший размер модели сам по себе проблему не устранял.
Отдельно проверили MCP. При объединении нескольких серверов возникают конфликты имён и подмена одного инструмента другим. Там обнаружили ещё 154 галлюцинации, в том числе у моделей, которые не ошибались в тестах с одним реестром.
Предложенная защита проста: перед проверкой разрешений убедиться, что инструмент существует, а аргументы соответствуют его схеме. Этот подход автор называют *closed-world resolution*: исполнять можно только явно зарегистрированные вызовы.
Для сравнения подобных защит представлен Hallucinated-Tools Benchmark.
https://arxiv.org/abs/2609.19425
❤7