🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
@machinelearning_interview
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
@machinelearning_interview
❤8👍8🔥4😁4🥰1💊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🔥8❤3🥰3
MIT с помощью AI разработал более термостабильную формулу для mRNA-вакцин.
Новая формула сохраняла стабильность:
- до 1 года при комнатной температуре
- до 2 месяцев при ~37°C
AI подбирал оптимальную комбинацию компонентов вместо долгого перебора тысяч вариантов. По словам исследователей, это сократило поиск с месяцев до нескольких недель.
В экспериментах на мышах вакцина после такого хранения вызывала сопоставимый иммунный ответ. Формулу также удалось использовать в микроигольных пластырях, потенциально заменяющих обычные уколы.
Если подход подтвердится у людей, mRNA-вакцинам может больше не понадобиться сложная холодовая цепь.
https://news.mit.edu/2026/new-formulation-helps-rna-vaccines-withstand-high-temperatures-0928
Новая формула сохраняла стабильность:
- до 1 года при комнатной температуре
- до 2 месяцев при ~37°C
AI подбирал оптимальную комбинацию компонентов вместо долгого перебора тысяч вариантов. По словам исследователей, это сократило поиск с месяцев до нескольких недель.
В экспериментах на мышах вакцина после такого хранения вызывала сопоставимый иммунный ответ. Формулу также удалось использовать в микроигольных пластырях, потенциально заменяющих обычные уколы.
Если подход подтвердится у людей, mRNA-вакцинам может больше не понадобиться сложная холодовая цепь.
https://news.mit.edu/2026/new-formulation-helps-rna-vaccines-withstand-high-temperatures-0928
🔥11❤4🥰2🌚2🥴1
🔥 ChatGPT PRO на русском: открытый курс от первого промпта до агентов и Codex
На GitHub появился бесплатный практический курс по ChatGPT, целиком на русском. Он умещается в один репо, поэтому ничего не нужно ставить и регистрироваться не надо.
Программа идёт от простого к сложному в четыре уровня: база, работа, расширение и PRO. Всего в ней 13 модулей. Первые разбирают выбор между быстрыми и рассуждающими моделями, Deep Research, формулу промпта, память и проекты. Дальше идут анализ таблиц, Canvas, картинки и голос, а последние модули посвящены Custom GPTs, коннекторам, агентам, Codex и API.
Главная ценность курса в практике. В нём 10 лабораторных: библиотека промптов, аналитика без Excel, ресёрч с проверкой источников, свой GPT, постановка задач агенту, разработка через Codex и автоматизация через API. К ним прилагаются 15 готовых рецептов под типовые задачи и разбор антипаттернов в формате «как делают неправильно и как надо».
Отдельный модуль посвящён безопасности: prompt injection, утечки данных и проверка фактов за моделью.
Курс удобно дать новичкам в команде или пройти самому, чтобы закрыть пробелы по агентам и Codex.
https://github.com/justxor/ChatGPT_ru
На GitHub появился бесплатный практический курс по ChatGPT, целиком на русском. Он умещается в один репо, поэтому ничего не нужно ставить и регистрироваться не надо.
Программа идёт от простого к сложному в четыре уровня: база, работа, расширение и PRO. Всего в ней 13 модулей. Первые разбирают выбор между быстрыми и рассуждающими моделями, Deep Research, формулу промпта, память и проекты. Дальше идут анализ таблиц, Canvas, картинки и голос, а последние модули посвящены Custom GPTs, коннекторам, агентам, Codex и API.
Главная ценность курса в практике. В нём 10 лабораторных: библиотека промптов, аналитика без Excel, ресёрч с проверкой источников, свой GPT, постановка задач агенту, разработка через Codex и автоматизация через API. К ним прилагаются 15 готовых рецептов под типовые задачи и разбор антипаттернов в формате «как делают неправильно и как надо».
Отдельный модуль посвящён безопасности: prompt injection, утечки данных и проверка фактов за моделью.
Курс удобно дать новичкам в команде или пройти самому, чтобы закрыть пробелы по агентам и Codex.
https://github.com/justxor/ChatGPT_ru
❤8👍6🔥5🥱5🥰2
🧠 ИИ лучше улучшает агентов, когда развивает несколько специализаций
Исследователи предложили новый подход к оптимизации harness: кода вокруг LLM, который управляет инструментами, поиском информации и проверкой ответов.
Обычно ИИ переписывает эту обвязку и оценивает версии на одном наборе задач. Но полезная специализация может потеряться, если проигрывает по общему баллу.
Авторы разделили поиск на две ветки:
• Каждая сохраняет задачи, с которыми справляется лучше другой.
• Ведёт собственные заметки об удачных изменениях.
• Развивает свою стратегию решения.
В математике одна ветка сосредоточилась на проверке ответов, другая на построении полных решений. Затем роутер выбирает подходящую обвязку для каждой новой задачи.
📈 На олимпиадной математике с Gemini 3 Flash точность выросла с 46% до 62%. Это +16 процентных пунктов. Подход превзошёл исходный метод во всех четырёх проверенных сочетаниях моделей и бенчмарков, хотя расход токенов был выше.
Практическая идея: при автоматической настройке агентов стоит сохранять несколько сильных специализаций и подбирать их под задачу.
📄 Исследование: https://arxiv.org/abs/2609.37834
Исследователи предложили новый подход к оптимизации harness: кода вокруг LLM, который управляет инструментами, поиском информации и проверкой ответов.
Обычно ИИ переписывает эту обвязку и оценивает версии на одном наборе задач. Но полезная специализация может потеряться, если проигрывает по общему баллу.
Авторы разделили поиск на две ветки:
• Каждая сохраняет задачи, с которыми справляется лучше другой.
• Ведёт собственные заметки об удачных изменениях.
• Развивает свою стратегию решения.
В математике одна ветка сосредоточилась на проверке ответов, другая на построении полных решений. Затем роутер выбирает подходящую обвязку для каждой новой задачи.
📈 На олимпиадной математике с Gemini 3 Flash точность выросла с 46% до 62%. Это +16 процентных пунктов. Подход превзошёл исходный метод во всех четырёх проверенных сочетаниях моделей и бенчмарков, хотя расход токенов был выше.
Практическая идея: при автоматической настройке агентов стоит сохранять несколько сильных специализаций и подбирать их под задачу.
📄 Исследование: https://arxiv.org/abs/2609.37834
👍9🔥6❤4💘2🤔1
Apache Kafka курс 2026: бесплатный курс по Kafka с нуля до профи на русском
Kafka обучение без воды: каждый модуль состоит из понятной теории, схем, команд, которые можно запустить у себя, типичных ошибок и вопросов для самопроверки. Курс подходит, чтобы выучить Kafka с нуля, подготовиться к собеседованию на backend, data engineer или DevOps-позицию и спроектировать надёжную систему на Kafka в продакшене.
https://github.com/justxor/KAFKAFREECOURSR
Kafka обучение без воды: каждый модуль состоит из понятной теории, схем, команд, которые можно запустить у себя, типичных ошибок и вопросов для самопроверки. Курс подходит, чтобы выучить Kafka с нуля, подготовиться к собеседованию на backend, data engineer или DevOps-позицию и спроектировать надёжную систему на Kafka в продакшене.
https://github.com/justxor/KAFKAFREECOURSR
❤13👍8🥰4😁1
Hugging Face исследовали multi-harness RL: обучение с подкреплением сразу через Claude Code, Codex, OpenCode и Mini-SWE-Agent.
Для этого объединили три проекта:
• OpenEnv записывает обращения к модели, токены и вероятности генерации.
• Harbor запускает одинаковые задачи в контейнерах через разные обвязки.
• TRL использует собранные данные для обучения.
Каждая обвязка сохраняет собственные инструменты, промпты и цикл работы. Модель учится внутри настоящих агентов.
По данным авторов, у LFM2.5-2.6B доля тестовых задач, решённых с первой попытки, выросла с 42,2% до 54,2%. Улучшения появились во всех четырёх обвязках. На задачах, которые решили обе версии модели, обученная использовала на 31% меньше вызовов инструментов.
Эксперимент ограничен одним семейством задач, но показывает перспективный подход: адаптацию к разным обвязкам можно закладывать прямо в обучение.
📖 Руководство: https://huggingface.co/spaces/FineEnvs/multi-harness-rl
Для этого объединили три проекта:
• OpenEnv записывает обращения к модели, токены и вероятности генерации.
• Harbor запускает одинаковые задачи в контейнерах через разные обвязки.
• TRL использует собранные данные для обучения.
Каждая обвязка сохраняет собственные инструменты, промпты и цикл работы. Модель учится внутри настоящих агентов.
По данным авторов, у LFM2.5-2.6B доля тестовых задач, решённых с первой попытки, выросла с 42,2% до 54,2%. Улучшения появились во всех четырёх обвязках. На задачах, которые решили обе версии модели, обученная использовала на 31% меньше вызовов инструментов.
Эксперимент ограничен одним семейством задач, но показывает перспективный подход: адаптацию к разным обвязкам можно закладывать прямо в обучение.
📖 Руководство: https://huggingface.co/spaces/FineEnvs/multi-harness-rl
🔥8❤7⚡3👍1
🧮 Математика для ИИ на русском: от школьной базы до трансформеров и диффузии
Бесплатный курс-шпаргалка на GitHub, который связывает формулы с их применением в ML: интуиция → формула → иллюстрация → код на NumPy → задачи.
Внутри:
• Линейная алгебра, производные, вероятности и статистика.
• Backpropagation, оптимизаторы, функции потерь и attention.
• Генеративные модели, обучение с подкреплением, RAG и рекомендации.
Для практики: 26 Jupyter-ноутбуков с запуском в Colab, 60 задач с решениями и 160 вопросов с собеседований. Есть карточки Anki и глоссарий RU ↔ EN.
Если математика забылась, предусмотрен отдельный справочник с нуля: от дробей и процентов до интегралов и матриц.
https://github.com/justxor/math-for-ai-2026
Бесплатный курс-шпаргалка на GitHub, который связывает формулы с их применением в ML: интуиция → формула → иллюстрация → код на NumPy → задачи.
Внутри:
• Линейная алгебра, производные, вероятности и статистика.
• Backpropagation, оптимизаторы, функции потерь и attention.
• Генеративные модели, обучение с подкреплением, RAG и рекомендации.
Для практики: 26 Jupyter-ноутбуков с запуском в Colab, 60 задач с решениями и 160 вопросов с собеседований. Есть карточки Anki и глоссарий RU ↔ EN.
Если математика забылась, предусмотрен отдельный справочник с нуля: от дробей и процентов до интегралов и матриц.
https://github.com/justxor/math-for-ai-2026
👍17❤15🔥6😁4
🌍 Google Earth AI помогает прогнозировать вспышки заболеваний по данным о местности
Модель PDFM объединяет агрегированные поисковые тренды, перемещения людей, инфраструктуру, погоду и качество воздуха в цифровой «отпечаток» территории.
Эти данные можно добавить в существующие эпидемиологические модели без отдельного дообучения PDFM под каждую задачу.
Google представила пять исследований с партнёрами. Среди результатов:
• Денге в Мексике: прогноз на месяц вперёд улучшился в до 72% муниципалитетов с активной передачей инфекции.
• Холера в ДР Конго: точность выбора пяти наиболее опасных зон на восемь недель вперёд выросла примерно на 18%.
• Вакцинация против кори, паротита и краснухи: учёт связей между США и Канадой помог точнее оценивать охват прививками в приграничных районах.
Практическая цель: раньше понимать, куда направлять медицинские ресурсы, особенно когда официальная статистика запаздывает.
Датасет доступен коммерчески в Preview. Для некоторых исследовательских задач можно запросить бесплатный доступ.
https://research.google/blog/earth-ais-planetary-geospatial-foundation-models-for-global-public-health/
Модель PDFM объединяет агрегированные поисковые тренды, перемещения людей, инфраструктуру, погоду и качество воздуха в цифровой «отпечаток» территории.
Эти данные можно добавить в существующие эпидемиологические модели без отдельного дообучения PDFM под каждую задачу.
Google представила пять исследований с партнёрами. Среди результатов:
• Денге в Мексике: прогноз на месяц вперёд улучшился в до 72% муниципалитетов с активной передачей инфекции.
• Холера в ДР Конго: точность выбора пяти наиболее опасных зон на восемь недель вперёд выросла примерно на 18%.
• Вакцинация против кори, паротита и краснухи: учёт связей между США и Канадой помог точнее оценивать охват прививками в приграничных районах.
Практическая цель: раньше понимать, куда направлять медицинские ресурсы, особенно когда официальная статистика запаздывает.
Датасет доступен коммерчески в Preview. Для некоторых исследовательских задач можно запросить бесплатный доступ.
https://research.google/blog/earth-ais-planetary-geospatial-foundation-models-for-global-public-health/
❤9🔥8👍7
Как мы перешли от CatBoost к нейросетям в рекомендациях Авито
Рекомендации на главной дают Авито половину просмотров объявлений и около 30% контактов покупателей с продавцами. С 2020 года их ранжировал CatBoost, но со временем он упёрся в потолок: даже кратно больше данных уже не давало прироста качества.
Мы перешли на нейросетевое ранжирование, и вот что получилось:
🚀 +4,3% пользователей с контактами из рекомендаций
🤝 +0,8% пользователей, совершивших сделку, по всему Авито
Техлид команды рекомендаций Ярослав Хныков рассказал на Хабре, какие решения сработали.
Больше про DS в Авито пишем в канале «Доска AI-объявлений».
Рекомендации на главной дают Авито половину просмотров объявлений и около 30% контактов покупателей с продавцами. С 2020 года их ранжировал CatBoost, но со временем он упёрся в потолок: даже кратно больше данных уже не давало прироста качества.
Мы перешли на нейросетевое ранжирование, и вот что получилось:
Техлид команды рекомендаций Ярослав Хныков рассказал на Хабре, какие решения сработали.
Больше про DS в Авито пишем в канале «Доска AI-объявлений».
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7😁7❤5🌭4⚡2
⚡ Liquid AI открыла веса двух моделей, которые принимают решения без генерации текста.
d1 получает данные и варианты ответа, затем за один проход возвращает выбор, оценку или вероятность «да». Подходит для маршрутизации запросов, модерации, классификации и проверки действий агентов.
• d1-3B работает с текстом и изображениями.
• d1-omni-600M поддерживает текст с изображениями или аудио. Это экспериментальная модель на 587 млн параметров.
По замерам Liquid AI, d1-3B отвечает на один вопрос за 8 мс на RTX 4090 и 50 мс на Jetson Orin Nano. Длинный контекст увеличивает задержку. Заявлена поддержка локального запуска через llama.cpp.
Практический смысл: для выбора категории или следующего действия больше не обязательно генерировать ответ и разбирать JSON.
https://www.liquid.ai/blog/d1-open
https://huggingface.co/LiquidAI/d1-3B
https://huggingface.co/LiquidAI/d1-omni-600M
d1 получает данные и варианты ответа, затем за один проход возвращает выбор, оценку или вероятность «да». Подходит для маршрутизации запросов, модерации, классификации и проверки действий агентов.
• d1-3B работает с текстом и изображениями.
• d1-omni-600M поддерживает текст с изображениями или аудио. Это экспериментальная модель на 587 млн параметров.
По замерам Liquid AI, d1-3B отвечает на один вопрос за 8 мс на RTX 4090 и 50 мс на Jetson Orin Nano. Длинный контекст увеличивает задержку. Заявлена поддержка локального запуска через llama.cpp.
Практический смысл: для выбора категории или следующего действия больше не обязательно генерировать ответ и разбирать JSON.
https://www.liquid.ai/blog/d1-open
https://huggingface.co/LiquidAI/d1-3B
https://huggingface.co/LiquidAI/d1-omni-600M
🔥22❤5🥰4🦄1
Извлечь текст из PDF мало. LightOnOCR-3 достаёт ещё и данные из графиков 📄
LightOn выпустила семейство открытых моделей для обработки документов. За один проход они:
• распознают печатный и рукописный текст;
• сохраняют структуру страницы и координаты блоков;
• описывают изображения;
• превращают данные с графиков в таблицы.
Доступны три размера: 0,8B, 1B и 4B. Лицензия Apache 2.0 позволяет адаптировать модели и разворачивать их на своей инфраструктуре.
По тестам разработчиков, версия 4B набирает 86,3 на olmOCR-Bench, опережая Chandra 2, Mistral OCR 4.1 и dots.mocr. На ParseBench версии 4B и 0,8B занимают первые два места среди моделей в опубликованном сравнении.
Полезный инструмент для подготовки отчётов, сканов и технической документации к поиску, аналитике и RAG.
https://huggingface.co/blog/lightonai/lightonocr-3
LightOn выпустила семейство открытых моделей для обработки документов. За один проход они:
• распознают печатный и рукописный текст;
• сохраняют структуру страницы и координаты блоков;
• описывают изображения;
• превращают данные с графиков в таблицы.
Доступны три размера: 0,8B, 1B и 4B. Лицензия Apache 2.0 позволяет адаптировать модели и разворачивать их на своей инфраструктуре.
По тестам разработчиков, версия 4B набирает 86,3 на olmOCR-Bench, опережая Chandra 2, Mistral OCR 4.1 и dots.mocr. На ParseBench версии 4B и 0,8B занимают первые два места среди моделей в опубликованном сравнении.
Полезный инструмент для подготовки отчётов, сканов и технической документации к поиску, аналитике и RAG.
https://huggingface.co/blog/lightonai/lightonocr-3
🔥15👏7❤4🤔1
🧠 ИИ, который сразу выбирает ответ
K2-Type-0.9B от IFM получает контекст в виде текста или JSON, вопросы и варианты ответа. За один проход возвращает вероятности, без генерации текста.
Три режима:
• да / нет;
• выбор из заданных вариантов;
• оценка по шкале.
Можно представить такой компонент внутри агента: определить категорию обращения, выбрать инструмент или оценить приоритет задачи.
По замерам авторов, на публичной части JevBench модель решила 176 из 231 задания, около 76%. Медианная задержка на H200 составила 27 мс. Веса доступны под Apache 2.0.
Есть важное ограничение: модель выбирает только из предложенных ответов. Если нужен вариант «ничего не подходит», его придётся добавить самостоятельно. Многошаговые вычисления тоже остаются слабым местом.
https://huggingface.co/spaces/IFM/k2-type-0-9b
K2-Type-0.9B от IFM получает контекст в виде текста или JSON, вопросы и варианты ответа. За один проход возвращает вероятности, без генерации текста.
Три режима:
• да / нет;
• выбор из заданных вариантов;
• оценка по шкале.
Можно представить такой компонент внутри агента: определить категорию обращения, выбрать инструмент или оценить приоритет задачи.
По замерам авторов, на публичной части JevBench модель решила 176 из 231 задания, около 76%. Медианная задержка на H200 составила 27 мс. Веса доступны под Apache 2.0.
Есть важное ограничение: модель выбирает только из предложенных ответов. Если нужен вариант «ничего не подходит», его придётся добавить самостоятельно. Многошаговые вычисления тоже остаются слабым местом.
https://huggingface.co/spaces/IFM/k2-type-0-9b
👍7😁7❤4
🧠 Если ИИ доказал теорему, но никто не понял новую идею, сколько выиграла математика?
Теренс Тао опубликовал 27 слайдов «Math 2.0». Его тезис: мы входим в эпоху изобилия доказательств, а научные стимулы всё ещё настроены на их дефицит.
Раньше решение сложной задачи обычно приносило новые методы и понимание. Теперь ИИ всё чаще позволяет получить результат без специальной экспертизы пользователя. Считать только решённые задачи становится плохой мерой прогресса.
Тао сравнивает открытые проблемы с маяками: исследование путей к ним может дать больше, чем само достижение цели.
И напоминает об ошибке выжившего: в соцсетях видны успехи ИИ, а не все провалы и затраченные вычисления. Большинство задач на переднем крае математики по-прежнему не решено.
Его «Math 2.0» предполагает другой фокус: понятные доказательства, новые принципы, связи между работами и исследование границ применимости теорем. ИИ должен усиливать человеческое понимание.
https://terrytao.wordpress.com/2026/10/10/math-2-0/
@machinelearning_interview
Теренс Тао опубликовал 27 слайдов «Math 2.0». Его тезис: мы входим в эпоху изобилия доказательств, а научные стимулы всё ещё настроены на их дефицит.
Раньше решение сложной задачи обычно приносило новые методы и понимание. Теперь ИИ всё чаще позволяет получить результат без специальной экспертизы пользователя. Считать только решённые задачи становится плохой мерой прогресса.
Тао сравнивает открытые проблемы с маяками: исследование путей к ним может дать больше, чем само достижение цели.
И напоминает об ошибке выжившего: в соцсетях видны успехи ИИ, а не все провалы и затраченные вычисления. Большинство задач на переднем крае математики по-прежнему не решено.
Его «Math 2.0» предполагает другой фокус: понятные доказательства, новые принципы, связи между работами и исследование границ применимости теорем. ИИ должен усиливать человеческое понимание.
https://terrytao.wordpress.com/2026/10/10/math-2-0/
@machinelearning_interview
❤20👍13🔥4🍓2👏1🎉1💯1😘1
This media is not supported in your browser
VIEW IN TELEGRAM
⚡ Для решения «куда отправить запрос» не всегда нужна модель, которая пишет целый ответ.
Decision 3.0 от команды vLLM Semantic Router: семейство открытых моделей размером от 0,6B до 27B, работающих с текстом, изображениями и видео.
На входе задаёте контекст и вопросы. На выходе получаете:
• выбор из предложенных вариантов;
• ответ «да / нет»;
• оценку по заданной шкале;
• вероятности вариантов.
Без генерации текста. Например, можно определить отдел для обращения, проверить наличие товара на приложенном чеке и оценить срочность.
По внутренней оценке команды, старшая d3 занимает первое место в их сравнении на текстовом и визуальном Jev Decision Index 0.3.1. Заявленная медианная задержка: 55 мс для текста и 273 мс с изображением на AMD MI325X.
Лицензия Apache 2.0. Любопытный вариант для маршрутизации, классификации и узких решений внутри агентных систем.
https://huggingface.co/vllm-sr/d3
Decision 3.0 от команды vLLM Semantic Router: семейство открытых моделей размером от 0,6B до 27B, работающих с текстом, изображениями и видео.
На входе задаёте контекст и вопросы. На выходе получаете:
• выбор из предложенных вариантов;
• ответ «да / нет»;
• оценку по заданной шкале;
• вероятности вариантов.
Без генерации текста. Например, можно определить отдел для обращения, проверить наличие товара на приложенном чеке и оценить срочность.
По внутренней оценке команды, старшая d3 занимает первое место в их сравнении на текстовом и визуальном Jev Decision Index 0.3.1. Заявленная медианная задержка: 55 мс для текста и 273 мс с изображением на AMD MI325X.
Лицензия Apache 2.0. Любопытный вариант для маршрутизации, классификации и узких решений внутри агентных систем.
https://huggingface.co/vllm-sr/d3
👍14❤7😁3🥰2