Machine learning chat

26 October 2026 16:39

Его домен по ощущениям чересчур сильно шифтанули

Machine learning chat

26 October 2026 16:19

Сразу видно что курсы по клодингу не проходили

Machine learning chat

26 October 2026 16:13

было такое же, кста, попросил настроить впску - он все конфиги снёс

Machine learning chat

22 October 2026 20:59

Ну для новичков там места нет , именно джунов и стажеров

Machine learning chat

22 October 2026 20:50

на хх.сру на ML ваки по 2к откликов

Machine learning chat

22 October 2026 20:50

как собесы к оубчению относятся

Machine learning chat

22 October 2026 20:50

Так и не понятно в чем отличие от свифта 1.5

Machine learning chat

22 October 2026 20:49

а как это к обучению относится

Machine learning chat

22 October 2026 20:49

что вообще значит "учить вместе"

Machine learning chat

22 October 2026 20:47

да бро, ты прям норм учишь? вроде 2 месяца уже ищешь сочувствующих

Machine learning chat

22 October 2026 19:01

Напишите в лс кто тоже хочет

Machine learning chat

22 October 2026 18:39

Если кто то мл начал учить недавно можете в нашу группу вступить, напишите в личку

Machine learning chat

22 October 2026 16:03

Как научить ИИ выполнять большую рабочую задачу - и проверить, что он действительно справился?

Авторы WorkForge предложили автоматически создавать тренировочные среды из реальных файлов и профессиональных рабочих процессов.

Система определяет, какие материалы и результаты нужны специалисту, собирает рабочее пространство и извлекает из документов конкретные проверяемые факты. Уже на их основе создаёт задания, планы решения и два вида проверки:

- Программную - для условий, которые можно проверить кодом.
- Смысловую — для оценки содержания результата.

Критерии привязаны к наблюдаемым данным в файлах. Это помогает оценивать выполненную работу, а не убедительность ответа агента.

Авторы создали 16,7 тысячи сред в 40 профессиональных областях, охватив 60 типов файлов.

После дообучения Qwen3.5-35B-A3B-Base показатель на GDPVal вырос с 45,5 до 73,6, а APEX Score — с 5,0 до 21,3.

Ценность подхода - в масштабировании практики: агент получает множество многошаговых рабочих задач, где результат можно проверить по исходным материалам.

https://arxiv.org/abs/2610.04906

Machine learning chat

22 October 2026 12:23

✔️ В PHP устранили критическую уязвимость, найденную ИИ-моделями

ИБ-специалисты в программе Patch the Planet нашли серьёзную брешь в кодовой базе PHP, задевающую все популярные CMS, которая существовала более десяти лет. На момент публикации команда PHP выпустила экстренные обновления безопасности.

На устранение ушло два месяца и пять этапов согласований между мейнтейнерами языка, Calif, Wiz, Cloudflare, CISA и Белым домом, и OpenAI предлагает закрепить эту схему типовым регламентом для раскрытия найденных ИИ проблем безопасности.

Разработчикам и администраторам советуют проверить серверы, для аудита запущенных установок PHP на GitHub выложен диагностический инструмент.
openai.com

✔️ ElevenLabs выпустила сквозную голосовую модель Eleven Realtime

Модель ведёт двусторонний разговор в реальном времени и вышла в версиях Mini для простых сценариев и Max для сложных диалогов с вызовом инструментов.

Заявлена поддержка больше 90 языков и каталог на 17 тысяч голосов. Перебивания, паузы и наложение голосов модель разбирает сама, так что отдельные модели распознавания и синтеза речи не нужны.

В бенчмарке Artificial Analysis старшая Max дала точность рассуждений 98,8% при средней задержке ответа 0,57 секунды, тогда как Qwen Audio 3.0 Realtime Plus набрала близкие 99,2%, но отвечала за 1,54 секунды.

Доступ открыт через ElevenAgents и Realtime API, причём транспортный уровень совместим со спецификацией WebSocket от OpenAI, поэтому готовые клиентские SDK работают без переписывания кода.
elevenlabs.io

✔️ Intel и AMD упростят разработку ИИ на процессорах x86

Компании договорились свести наработки по ускорению PyTorch в открытую библиотеку глубокого обучения oneDNN, которую развивают под эгидой Unified Acceleration Foundation.

Так они рассчитывают убрать разнобой в программной части экосистемы x86, а саму oneDNN признали библиотекой по умолчанию для оптимизации ИИ-задач на процессорах обоих производителей. AMD уже переносит наработки из ZenDNN в кодовую базу oneDNN и входит в управляющий комитет.

Кроме унификации нынешних средств компании проектируют набор инструкций следующего поколения AI Compute Extensions для аппаратного ускорения матричного умножения, его поддержку в PyTorch тоже обещают через oneDNN. 
intel.com

✔️ Google и PyTorch открыли код TorchTPU

Набор инструментов для запуска конвейеров PyTorch на тензорных процессорах опубликован в открытом доступе, и это переводит TPU в разряд полноправных ускорителей наравне с процессорами и видеокартами.

Существующий код запускается с минимальными правками, разработчикам доступны режим отладки, компиляция и примитивы распределённых вычислений.

Инициативу поддержали ключевые проекты открытого ИИ - в transformers добавили выгрузку моделей, а движки vLLM и SGLang получили бэкенды для TPU с непрерывной пакетной обработкой и ядрами Pallas. 
google.com

✔️ Uber чистит свои репозитории от мёртвого кода агентами

Внутренняя платформа AutoClean непрерывно убирает устаревшие фича-флаги и мёртвый код, с её помощью уже вычищено 16 тысяч флагов и больше миллиона строк.

Агент разбирает контекст и цепочки вызовов, а точечную булеву алгебру и упрощение условий отдаёт движку PolyglotPiranha через протокол MCP, упавшие в CI тесты правят агенты без прав на продуктовый код.

Готовые патчи проходят многоступенчатую проверку, где параллельные агенты смотрят, сохранена ли семантика программы, держится ли фокус строго на целевом флаге и нет ли посторонних правок.

При расхождениях патч отбрасывается сам, а прошедшие проверку задачи уходят инженерам на окончательное утверждение. 
uber.com


@ai_machinelearning_big_data

#news #ai #ml

Machine learning chat

22 October 2026 10:21

1 946 ИИ-агентов разобрали данные о мозге за 32 минуты - людям, по оценке исследователей, потребовались бы месяцы.

OpenAI, PerturbAI и Scripps Research поручили агентам GPT-Rosalind интерпретировать масштабный эксперимент: учёные отключали гены в клетках мозга мыши и измеряли, что меняется.

Каждому агенту - один отключённый ген. Он анализировал реакцию клеток, искал связанные научные работы и предлагал объяснения. Затем отчёты объединили в карту связей и перспективных направлений исследования.

Агенты воспроизвели или уточнили 48 из 55 выводов исходной работы, которые можно было получить из предоставленных данных. Саму статью им не показывали. А в слепом сравнении эксперты предпочли отчёты распределённых агентов отчётам одиночного агента в 75% случаев.

Одна из зацепок - возможная связь нарушения работы гена DCTN1 с обменом холестерина в нейронах. Теперь её можно проверить экспериментально.

Польза - в сокращении пути от огромного массива данных до конкретного вопроса для лаборатории. Пока это гипотезы для проверки, а оценка сэкономленных месяцев — расчёт авторов, не результат соревнования с людьми.

https://openai.com/index/scaling-ai-research-for-complex-biological-data/

Machine learning chat

26 October 2026 16:39

Дык Клод ниче кроме кода не умеет буквально

Machine learning chat

26 October 2026 16:19

Вайбкодинг это вам не руками делать - тут уметь надо

Machine learning chat

22 October 2026 21:11

Ну а что-бы быть НЕ новичком - тебе нужно иметь опыт

Machine learning chat

22 October 2026 20:51

ну и я из личного опыта говорю, ваще хз, как можно вместе учиться

Machine learning chat

22 October 2026 20:50

если ты, ну, работать хочешь пойти в ML

Machine learning chat

22 October 2026 20:50

я не линуксойд, не могу оценить твою радость в полной мере :/

Machine learning chat

22 October 2026 20:49

бро, я поставил дебиан и настроил там роутинг

Machine learning chat

22 October 2026 20:49

Собесы друг другу делать

Machine learning chat

22 October 2026 20:49

да чё вам всем нужно учить "вместе"

Machine learning chat

22 October 2026 20:37

🔍️️️️️️ Qwen научили меньше «думать»: до 51% меньше токенов рассуждения

BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.

По данным разработчиков:

- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.

Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.

Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.

Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.

> Blog: https://liquid.ai/blog/low-latency
> RIPL calculator: https://liquid.ai/low-latency-calculator-ripl
> Request access: https://liquid.ai/connect

Machine learning chat

22 October 2026 19:01

Реально, кто учить начал, го вместе?

Machine learning chat

22 October 2026 18:31

Наконец-то eval привязали к тому, что реально видно в файлах, а не к тому, насколько убедительно агент рассказывает о себе. Самоотчёт больше не считается доказательством, доказательством теперь являются изменения в документах. И вот эти +28 п.п. на GDPVal после дообучения на таких средах — хорошее подтверждение, что масштабируемая практика работает лучше, чем разовые бенчмарки.

Machine learning chat

22 October 2026 12:35

Хакеры собрали команду ИИ-агентов для атак на более чем 400 финансовых целей в Латинской Америке.

По данным исследователей Straiker, о которых пишет The Information, группировка CyberCartel использовала Claude, Grok и Kimi для автоматизации атак на банки и платёжные компании.

Агенты распределяли работу: изучали цели, разрабатывали код атак и обрабатывали похищенные данные. Исследователи обнаружили в инфраструктуре группировки базу с паролями, API-ключами и сведениями о финансовых счетах.

400+ - число целей. Однако собранные Straiker материалы показывают, как преступники встраивают ИИ в целую цепочку атаки, сокращая объём ручной работы.

После уведомления Anthropic отключила использованный группировкой доступ к Claude. xAI начала расследование.

Небольшая группа получает возможность вести больше атак одновременно.

https://www.straiker.ai/blog/inside-carliy0s-how-cybercartel-used-multiple-ai-models-to-attack-latin-american-banks

Machine learning chat

22 October 2026 11:01

Что делать с данными? 💬

Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах;
⬜️предсказывать поведение пользователей;
⬜️строить рекомендательные системы;
⬜️обучать и улучшать ML-модели;
⬜️создавать продукты и помогать бизнесу расти.

➡️студентам последних курсов и выпускникам технических вузов
➡️алитикам данных, которые хотят погружаться в исследования
➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Machine learning chat

22 October 2026 08:38

Задача про кота и корм

Для развития AI нужно изучать задачи принятия решений в условиях неопределённости. Одна из таких задач - Задача про кота и корм.

Хозяйка каждый день даёт коту порцию невкусного диетического корма. При этом в холодильнике есть вкусный недиетический корм, который кот очень хочет съесть. Поэтому иногда кот отказывается есть невкусный корм, чтобы разжалобить хозяйку, чтобы та дала ему вкусный корм. Но если кот слишком долго будет отказываться от невкусного корма, а хозяйка не даст ему вкусный, то кот сдохнет от голода. Кот может не есть N дней подряд.

Задача - составить алгоритм оптимального управления котом, чтобы максимизировать вероятность поесть вкусный корм. Решение такое - если мы точно знаем, что хозяйка не забудет дать корм коту, то мы просто отказываемся есть невкусный корм N - 1 дней подряд, на N-ый день соглашаемся есть невкусный корм. Но если есть некоторая вероятность того, что хозяйка забудет дать коту невкусный корм, то здесь уже надо рассчитывать риски, и возникает график зависимости вероятности награды от вероятность смерти кота, наподобие ROC-кривой в задачах распознавания, и по этой кривой можно сравнивать разные алгоритмы управления котом. Также полезно иметь более точную модель вероятности того, что хозяйка забудет дать коту корм. Например, если она точно не может забыть дать коту корм более x дней подряд, то можно не соглашаться на невкусный корм N - x - 1 дней.

К этой задаче будут сводиться многие задачи AI и принятия решений в условиях неопределённости. Например, задача управления роботом, собирающим яблоки, которому нужно успеть доехать до зарядной станции, пока не разрядится батарея, при этом собрать как можно больше яблок. Здесь тоже, если мы точно знаем, что доедем до зарядной станции за время t, то можно собирать яблоки до упора. Но если есть вероятность задержек, то нужно ехать на зарядную станцию раньше.