Artificial Intelligence

📢 Исследователи AI VK Research научили двухбашенный трансформер над историей оптимизировать удовлетворённость пользователя за всю сессию. Работа принята на воркшоп конференции KDD 2026, которая проходит сейчас в Южной Корее. Большинство современных рекомендательных моделей решает локальную задачу — предсказать следующее взаимодействие или следующий положительный фидбэк. Мы сформулировали задачу как RL на уровне сессии и обучили кандидатогенератор через off-policy REINFORCE на логах. На индустриальных данных такая модель выигрывает у next-item и next-positive prediction по всем оценкам награды за сессию, сохраняя качество кандидатогенерации по recall-метрикам. ➡️ Подробнее в статье на Хабре. #aivkhub #ml #recsys

🚨 Цукерберг опубликовал большой текст о будущем ИИ - и его позиция довольно жёсткая: сверхинтеллект не должен принадлежать нескольким закрытым лабораториям. Главные тезисы: - задержка релиза американских моделей даже на месяц может ослабить лидерство США; - самоулучшающийся ИИ теоретически способен в разы повысить эффективность вычислений; - «единого доброжелательного сверхинтеллекта» не существует; - опаснее всего сценарий, где несколько лабораторий создают самые мощные модели и оставляют их только себе; - frontier-лаборатории, по его мнению, должны заранее передавать государству промежуточные чекпоинты для проверки. Мощный ИИ должен распространяться шире, а контроль - строиться не через тотальное закрытие моделей, а через прозрачность и проверку. #AI #LLM #OpenSource #Superintelligence

История кликов, просмотров и действий пользователя сама по себе мало что даёт. Гораздо интереснее — собрать всё это в единое представление его интересов. Именно такой подход разобрали в VK: трансформерная модель строит нейропрофиль пользователя на сигналах из разных сервисов. В статье — токенизация событий, временные и контентные признаки, attention, двухбашенная архитектура и обучение на больших каталогах.

✔️ Firecrawl открыла один из самых быстрых PDF-парсеров Компания выложила в open source pdf-inspector - библиотеку на Rust, которая превращает PDF в Markdown, сохраняя структуру документа, заголовки и таблицы. По заявленным тестам, обработка одной страницы занимает около 0,002 секунды, а набор из 200 PDF был пройден примерно за 2,8 секунды. Главное здесь не одна скорость: парсер старается сохранить исходную логику документа, поэтому результат удобнее сразу отдавать в RAG, поиск, анализ или пайплайн подготовки данных. Проект полностью открыт. https://github.com/firecrawl/pdf-inspector @rust_code

Andrej Karpathy just dropped 12-page PDF on "Graph Engineering" for multi-agentic systems the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever here's the full system: step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs step 4 → ground your evaluator: it checks claims against graph edges, not vibes step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view

Google Research попыталась объяснить, откуда у diffusion-моделей берётся «креативность». Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете? Ответ оказался математическим. Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing. Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров. Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат. В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной. То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью. Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами. Работа представлена на ICLR 2026, код экспериментов опубликован открыто. https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/

Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке. Дело не в тексте запроса. Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему. Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки. Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах. Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам. С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами. Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd С промокодом aikarpov20 — скидка 20% Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd

Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке. Дело не в тексте запроса. Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему. Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки. Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах. Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам. С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами. Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd С промокодом aikarpov20 — скидка 20% Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd

Most upvoted papers on huggingface this week (July 6-12): - The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning - Vidu S1: A Real-Time Interactive Video Generation Model - RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation - AlayaWorld: Long-Horizon and Playable Video World Generation - Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning - RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation - OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers - UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning - Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling - PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space https://huggingface.co/papers/week/2026-W28

✔️ Dockerless Environment-free verifier для coding-агентов. Он проверяет патчи без запуска кода и без Docker, при этом обгоняет сильнейший open-source verifier на 14.3 AUC points. А RL post-training полностью без окружения достигает 62.0% на SWE-bench Verified. https://paperswithcode.co/paper/2606.28436

🙂 In the Weights: проверка тщеславия В сети вирусится веб-приложение In the Weights, которое проверяет наличие информации о человеке или компании в GPT, Claude, Gemini и Llama и т.д. Платформа работает через прямые запросы к моделям с принудительно отключенным доступом к сети, чтобы ИИ опирался исключительно на знания, полученные на трейне. Анализируя выдачу, система высчитывает скоринг. Метрика оценивает вероятность того, что информация об объекте содержалась в обучающих датасетах и содержится в конкретной модели. Помимо развлекательных целей, проект является наглядным аудитом того, как корпорации агрессивно скрейпят данные. По мере того как чат-боты вытесняют поисковики, присутствие в памяти моделей становится новой метрикой публичной значимости. Сервис напоминает о новых реалиях современной приватности: если информация о вас уже есть в весах LLM, стереть ее цифровой след практически невозможно. @ai_machinelearning_big_data #news #ai #ml

Эксклюзив: DeepSeek был только началом Microsoft сейчас оценивает множество open models для Copilot Cowork. > Это создаёт внутреннее давление на команды MAI, потому что модели GLM, MiniMax и Kimi развиваются быстрее. > Microsoft хочет сделать модели «взаимозаменяемыми» и отделить саму обвязку Copilot от конкретных моделей под капотом. > По мере развития малых моделей часть задач в будущем может выполняться локально. Смысл простой: Microsoft всё меньше хочет быть жёстко привязана к одной модели или одному поставщику. Copilot постепенно превращается в систему, где важнее не конкретная LLM, а harness, маршрутизация задач, инструменты и возможность быстро менять модели под разные сценарии. https://www.testingcatalog.com/exclusive-microsoft-evaluates-different-open-models-for-cowork/

Coinbase сокращает около 700 человек - это примерно 14% штата. CEO Coinbase Брайан Армстронг объясняет это просто: компания хочет стать меньше, быстрее и эффективнее, потому что ИИ уже позволяет небольшим командам делать то, для чего раньше требовалось больше людей. Coinbase не единственная. Технокомпании всё чаще упаковывают сокращения не только в историю про рынок, но и в историю про AI-native операционку. Похоже, главный эффект ИИ для бизнеса оказался не в красивых демках, а в очень скучной строке P&L: меньше людей, меньше затрат, быстрее выполнение задач. bloomberg.com/news/articles/2026-05-05/coinbase-to-cut-14-of-workforce-citing-volatile-markets-ai

Efficient Training on Multiple Consumer GPUs with RoundPipe Github: https://github.com/ITcarrot/RoundPipe Paper: https://arxiv.org/abs/2604.27085

✔️ 10 книг, чтобы понять, как реально работают LLM (2026) 1. Deep Learning https://deeplearningbook.org Библия нейросетей - backprop, архитектуры, вся база 2. Artificial Intelligence: A Modern Approach https://aima.cs.berkeley.edu Фундаментальный взгляд на AI как систему 3. Speech and Language Processing https://web.stanford.edu/~jurafsky/slp3/ NLP, трансформеры и язык - максимально глубоко 4. Machine Learning: A Probabilistic Perspective https://probml.github.io/pml-book/ Вероятности, статистика и основа ML 5. Understanding Deep Learning https://udlbook.github.io/udlbook/ Современное объяснение DL с хорошей интуицией 6. Designing Machine Learning Systems https://oreilly.com/library/view/designing-machine-learning/9781098107956/ Как довести модели до продакшена 7. Generative Deep Learning https://github.com/3p5ilon/ML-books/blob/main/generative-deep-learning-teaching-machines-to-paint-write-compose-and-play.pdf Практика генеративных моделей и трансформеров 8. Natural Language Processing with Transformers https://dokumen.pub/natural-language-processing-with-transformers-revised-edition-1098136799-9781098136796-9781098103248.html Как строить NLP-системы на трансформерах 9. Machine Learning Engineering https://mlebook.com Инженерия ML и продакшен 10. The Hundred-Page Machine Learning Book https://themlbook.com Суперконцентрированная база без лишнего

🌟 Claude Code Game Studios: 48 ИИ-агентов как полноценная игровая студия. Соло-разработчик с доступом к Claude Code теперь может развернуть целую гейм-дев студию с креативным директором, лидами отделов и профильными специалистами. В основу геймдизайнерских подходов заложены MDA Framework, теория самодетерминации и проектирование состояния потока. Claude Code Game Studios - шаблон для Claude Code, который организует ИИ-сессию в трёхуровневую иерархию из 48 специализированных агентов. На вершине 3 директора (креативный, технический и продюсер), работающие на модели Opus. Уровнем ниже 8 руководителей отделов на Sonnet: геймдизайнер, ведущий программист, арт-директор, директор по звуку, нарративный директор и другие. Третий уровень - специалисты на Sonnet и Haiku: от геймплэй-программиста и дизайнера экономики до DevOps-инженера и специалиста по доступности. Агенты взаимодействуют по четкому протоколу: вертикальная делегация задач сверху вниз, горизонтальные консультации между агентами одного уровня, эскалация конфликтов к общему руководителю. Каждый агент работает строго в границах своего домена и не модифицирует чужие файлы без явного поручения. Помимо агентов, шаблон включает 37 команд, покрывающих весь цикл разработки: планирование спринтов, ревью кода и дизайна, аудит ассетов, генерацию идей, подготовку к релизу. Отдельная категория - командные воркфлоу, которые координируют работу нескольких агентов над конкретной фичей: боевой системой, нарративом, интерфейсом или звуком. Параллельно работают 8 хуков, привязанных к событиям git и жизненному циклу сессии. Они срабатывают автоматически: валидируют коммиты на захардкоженные значения и корректность данных, предупреждают о пушах в защищённые ветки, подгружают контекст текущего спринта при старте и фиксируют результаты при завершении. Ещё один слой - 11 правил, привязанных к путям в проекте. Они применяются при редактировании файлов в соответствующих директориях и задают стандарты для каждой зоны кодовой базы. 🟡Это не автопилот. Агенты задают вопросы, предлагают несколько вариантов с плюсами и минусами, показывают черновик. Но финальное решение всегда за человеком, ничего не фиксируется без его одобрения. 🟡Шаблон работает с Godot 4, Unity и Unreal Engine 5. Для каждого предусмотрен свой лид-агент с набором суб-специалистов: у Godot это GDScript, шейдеры и GDExtension, у Unity - DOTS/ECS, VFX и UI Toolkit, у Unreal - GAS, Blueprints и Replication. Проект открыт к кастомизации: агентов можно добавлять и удалять, промпты редактировать, хуки - перенастраивать. 📌Лицензирование: MIT License. 🖥GitHub @ai_machinelearning_big_data #AI #ML #Vibecoding #Gamedev #Claude

Helios: Real Real-Time Long Video Generation Model Hf: https://huggingface.co/papers/2603.04379 Code: https://github.com/PKU-YuanGroup/Helios Page: https://pku-yuangroup.github.io/Helios-Page/