Доска AI-объявлений

Приглашаем на Avito.Tech.Conf 2026 Присоединяйтесь к комьюнити из тех, кто управляет сложным. Мы ждём вас 26 сентября в Москве на площадке AG Loft. Собираемся, чтобы честно поговорить о задачах, решениях и вызовах. В программе: 👉 AI для лидов: как от хаоса и огромного объёма информации прийти к ежедневным, понятным решениям; 👉 Управление продуктами и процессами, когда ресурсов вечно не хватает; 👉 Честный путь к C-level, Quiet cracking и одиночество лидов. Чего ждать: ➡️ классические доклады, ➡️ воркшопы, ➡️ мастермайнды. А ещё — продуманные зоны, чтобы переключиться, узнать новое и пообщаться. Детали программы и расписания уже можно посмотреть на сайте. А пока главное: подавайте заявку на офлайн-участие, количество билетов ограничено. До встречи!

Го учиться! Если хочешь развиваться в аналитике, войти в профессию, углубиться в науку о данных или вырасти в карьере — приходи в Центральный университет. У нас есть магистратура под каждый сценарий. «Продуктовая аналитика» — офлайн-программа с парами по вечерам и выходным в центре Москвы. Студенты учатся превращать данные в продуктовые решения: находить точки роста, проектировать эксперименты и строить системы метрик — с сильной технической базой в Python, SQL, статистике и A/B-тестировании. После первого семестра можно выбрать траекторию «Наука о данных» × Авито, а это: 📍 обучение на реальных данных компании,  📍 лекции от специалистов и аналитиков Авито,  📍 фокус на машинном обучении и инструментах индустрии.  Лучшие студенты получают возможность стажировки или оффера. К выпуску — портфолио аналитических кейсов для резюме. Что даёт магистратура в ЦУ: 💓 Диплом государственного образца за два года обучения,  💓 Возможность совмещать учёбу с работой.  💓 Преподаватели — индустриальные эксперты и исследователи. 💓 Карьерная поддержка с начала учёбы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышают свой грейд в Яндексе, Авито, Т-Банке и других компаниях. Поступление проходит через грантовый конкурс. Это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на всё время обучения. Грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры. ❗️Места ограничены, дедлайн для заявок — 20 августа. Подробности о программе и условиях участия в конкурсе можно прочитать на сайте

Внезапно русский! Но речь не о том, что Claude работает лучше, если с ним говорить на этом языке. В Anthropic исследовали другой вопрос: меняется ли стиль общения модели в зависимости от языка диалога? Они проанализировали более 300 тысяч реальных разговоров Claude .ai и попробовали описать характер модели через наблюдаемые признаки. Что сделали 🟢 разметили ответы по 339 ценностям, например, accuracy, transparency, encouragement; 🟢 затем с помощью уменьшения размерности нашли основные направления, вдоль которых меняется стиль ответов. Выделили четыре оси Warmth ↔️  Rigor — поддержка и позитивный тон ↔️ точность, строгость и требовательность к корректности Deference ↔️ Caution — следование пожеланиям пользователя ↔️ осторожность и акцент на рисках Depth ↔️ Brevity — подробные объяснения ↔️ краткость Candor ↔️ Execution — обсуждение неопределённости и ограничений ↔️ фокус на выполнении задачи Оказалось, что язык общения действительно связан со смещением по этим осям. Например, ответы Claude на русском в среднем были ближе к стороне Rigor — больше акцента на точности, строгости и проверке утверждений. А на некоторых других языках, например, на хинди и арабском, модель чаще проявляла Warmth — поддержку и позитивный тон. ❗ Исследование не проверяло кодинг-агентов напрямую. Но возникает интересная гипотеза: может ли язык общения влиять не только на стиль обычного диалога, но и на то, как AI-агент пишет и ревьюит код? А на каком языке вы обычно общаетесь с вашим кодинг-ассистентом? ❤️ — русский 😎 — английский 👻 — другой. А какой? Напишите в комментариях ⬇️

LLM подробно объяснила, как пришла к ответу. Но правда ли она рассуждала именно так или просто подобрала убедительное объяснение постфактум? Это решил выяснить коллектив исследователей, среди которых был наш инженер. Недавно мы рассказывали о летней школе AIRI по ИИ, где второй год выступаем партнёром. А теперь делимся подробностями одной из лекций, которую провёл инженер Глеб Ершов 🤍 Глеб говорил про causal inference — подход, который помогает отличить простое совпадение от настоящей причинно-следственной связи. А затем показал, как с его помощью можно проверять рассуждения языковых моделей. Главный вопрос лекции: если LLM показывает ход мыслей, значит ли это, что именно он привёл её к ответу? 🤔  Проверить это можно, вмешавшись в рассуждение модели и посмотрев, изменится ли результат. Именно такой эксперимент Глеб и его соавторы из AIRI провели в исследовании Breaking the Chain. Модели решали задачи и показывали промежуточные шаги: например, заполняли рубрику или строили трассу выполнения кода. Затем исследователи исправляли или специально меняли часть рассуждения и просили модель ответить ещё раз. Оказалось, что логичное объяснение ещё не значит, что модель действительно на него опиралась. Языковые модели реагировали на изменения в рассуждениях не всегда и оставляли ответ прежним. То есть LLM могла прийти к выводу другим путём, а затем сформировать подходящее объяснение. Такие вот занимательные выводы, а больше мяса в статье: Breaking the Chain: A Causal Analysis of LLM Faithfulness to Intermediate Structures

16 июля Moonshot AI выпустила Kimi K3: 2,8 трлн параметров, контекст 1M — одна из крупнейших open-weight моделей в истории. По бенчмаркам — вплотную к Claude Fable 5 и GPT-5.6 Sol: ◼️ #4 в Intelligence Index от Artificial Analysis из 189 моделей ◼️ #1 на Frontend Code Arena — обошла Fable 5 ◼️ Впереди на SWE Marathon и BrowseComp ◼️ Terminal-Bench 2.1 — 88.3; SWE-bench Verified — 76.8% Но что измеряют бенчмарки? В статье Inadequacies of Large Language Model Benchmarks in the Era of Generative AI разобрали 23 популярных теста: почти все провалились и по functionality (измеряет ли реальные способности), и по integrity (нельзя ли накрутить скор, заучив ответы или подстроившись под формат теста). Главное из статьи — в карточках 🚀 А вывод такой: релиз сильный, но часть рекордов получена в собственном харнесе KimiCode, так что ждём независимые эксперименты. Ссылки [1] § V-A Response Variability in Standardized Evaluations [2] § V-B Genuine Reasoning vs Technical Optimization [3] § VI-A Inconsistent Benchmark Implementation [4] Terminal-Bench 2.1 [5] HaluEval: A Large-Scale Hallucination Evaluation Benchmark for LLM [6] § V-F Biases in LLM-Generated LLM Evaluations [7] § IV-B Preliminary Findings [8] § VIII-G Extending Benchmarks with Behavioral Profiling and Regular Audits

Получите знания в области Data Science с Авито и НИУ ВШЭ До 8 августа открыт набор на магистратуру «Машинное обучение в цифровом продукте» от Авито и Факультета компьютерных наук НИУ ВШЭ. Программа подойдёт тем, кто хочет развиваться в Data Science, работать над технологиями для миллионов пользователей и научиться использовать ML как продукт, который решает задачи бизнеса. Что ждёт студентов: ➡️ Востребованные навыки в Data Science: машинное обучение, NLP, MLOps, рекомендательные системы. ➡️ Обучение у экспертов Авито и преподавателей ФКН НИУ ВШЭ. Программу разработали специалисты, которые каждый день решают ML-задачи на практике. ➡️ Работа с реальными кейсами и данными: во время обучения вы будете разбирать задачи, основанные на опыте продуктовых команд Авито. ➡️Гибкая образовательная траектория. Кроме обязательных дисциплин, вы сможете выбрать дополнительные курсы на интересующие темы. ➡️ Возможность попасть на стажировку. Во время обучения будет несколько волн набора в Data Science-команды компании. А ещё на программе предусмотрено 30 бесплатных мест 😀 Магистратура подойдёт, если вы: ⚡️ Учитесь на последнем курсе бакалавриата или уже получили диплом; ⚡️ уверенно программируете на Python; ⚡️ знаете алгоритмы и структуры данных, ML-алгоритмы и SQL; ⚡️ владеете линейной алгеброй, теорией вероятностей и математической статистикой; ⚡️ живёте в Москве или готовы переехать. Один из этапов отбора — тестирование. Чтобы помочь подготовиться к нему, мы разместили демоверсию теста на сайте программы: переходите, смотрите формат заданий, оценивайте уровень сложности и проверяйте свои знания до начала отбора. Оставьте заявку по ссылке, подайте документы до 8 августа включительно и сделайте шаг к карьере в Data Science!

AI First на практике: что мне зашло, а что нет Привет! У нас в Авито недавно была принята стратегия AI First (подробнее можно прочитать здесь и тут). Если коротко: мы стремимся использовать AI-инструменты в рабочих задачах и процессах каждый день, чтобы достигать с ними более крутых результатов. Рассказываю, что из этого вышло у меня. Изначально я был противником применения AI в работе: боялся растерять навыки. Если код пишу не я, а агент, то что тогда делаю я? Потом посмотрел, как с этим работают коллеги вокруг, попробовал сам, и мне понравилось! Сейчас большую часть кода за меня пишет AI, и это та часть работы, которую уже можно частично оптимизировать. Так я написал два инструмента для себя и коллег: • автоматический поиск оптимальных параметров для смешивания платных и бесплатных объявлений в выдаче поиска Авито; • автоматическое создание отчётов по результатам обучения моделей. Раньше на выполнение этих задач уходило от нескольких часов до нескольких дней рабочего времени. Сейчас оба процесса автоматизированы и оформлены в виде навыков, которыми пользуется вся команда. При этом во время работы над кодом, даже такой, казалось бы, автоматической (с помощью AI-агента), возникает много «развилок» и ситуаций, в которых нужно принимать важные решения и не полагаться полностью на то, что пишет ИИ. Например, нужно обогащать агента релевантным контекстом, просить его писать тесты, ограничивать его и полностью управлять процессом. По моему мнению, разработка ускорилась, но проще не стала — она просто стала другой. Сейчас многие Big Tech компании не только хотят, чтобы люди использовали AI-инструменты в работе, но и проверяют это на собеседовании: появился отдельный этап, где нужно писать AI-assisted код. Так что это один из навыков, который следует освоить всем, кто хочет оставаться конкурентоспособным. Но на этом я не остановился и стал делать почти все задачи с помощью AI: писать исследования, создавать задачи в Jira, проводить code review и отвечать на комментарии в PR. И тут я стал получать обратную связь от коллег: задачи в Jira и исследования, написанные AI, читать невозможно, а в code review от AI-агентов часто содержится нейрослоп. Я порефлексировал и понял, в каких задачах сейчас оптимально использовать AI, и выделил для себя следующий список: • Написание кода (и помощь в нём) • Редактура • Помощь в планировании, сборе и организации информации для исследований • Помощь в code review • Автоматизация процессов Также я составил список, где использование AI end-to-end пока что даёт не очень хорошие результаты: • Написание текстов (по крайней мере, на русском): исследования, описания задач, посты, комментарии • Полноценный code review А как вы используете AI в работе? Поделитесь своим опытом! И заодно опрос: 🌚 - большую часть кода за меня уже пишет AI 🧑‍💻 - пишу сам, AI только подсказывает P. S. Этот пост я написал самостоятельно, а AI выступил только в роли редактора: писать тексты за меня он пока не умеет, а вычитывать — вполне.

Lucky Loser Мнение — Part 9: AI в медицине Всем привет! На связи Данила Бочарников, DS-инженер команды поискового ранжирования в Авито. Сегодня расскажу о начале интеграции ИИ-агентов в медицину. 🧬 Claude Science Anthropic официально анонсировала запуск Claude Science. Это платформа для учёных, бета-режим которой уже активно протестировали в академической среде.Из анонса складывается впечатление, что продукт в основном пробовали в геномике и медицине. Например, для предсказания структуры белка и анализа всяких последовательностей в генах. Вместе с этим и сами Anthropic включились в разработку лекарств для редких и «заброшенных» болезней. Анонс про Claude Science 🧪Бенчмарк GeneBench-Pro от OpenAI OpenAI представила GeneBench-Pro для оценки многоэтапных рассуждений ИИ в геномике и биомедицине. На данный момент в лидерах GPT-5.6 Sol. Неудивительно, так как она пока единственная протестированная модель в этом бенчмарке. Препринт ❓ В итоге мы получили новый фронтир соперничества между Anthropic и OpenAI. Чья модель покажет себя лучше в медицине и геномике? 🔥 — Anthropic 👍 — OpenAI 🤷 — Обе будут хороши в своих нишах Пишите своё мнение в комментариях

Выбираем лучшую IT-компанию для работы 🚀 Стартовало ежегодное исследование Хабра и ЭКОПСИ — голосование за лучшего работодателя в IT. В 2025 году в нём участвовали 34 000 человек, 90% из них — специалисты уровня мидл или выше. Результаты прошлого исследования можно посмотреть в статье. Это важные сведения, потому что по рейтингу мы видим, как нас воспринимают в комьюнити. Приятно, что второй год держимся в топ-3. Спасибо, что смотрите с нами в одном направлении! Процесс голосования простой и занимает 6–9 минут, а результат действительно отражает мнение сообщества. Проголосуйте, пожалуйста 🙂 Выбрать лучшего работодателя в IT

Свежие вакансии для DS и ML-инженеров Новая подборка, выбирай, что тебе больше отзывается и скорее присылай своё резюме 🤟 ➡️ Data Scientist в команду Deep Personalization (Deep Learning) Что делать: — Разрабатывать и улучшать двухбашенную трансформерную модель для retrieval. — Запускать трек генеративных рекомендаций SIDS, OneRec и PLUM с исследованиями listwise и session-wise generation, SFT и RL. — Проектировать пайплайны на Spark для витрин, фичей и инкрементальных обновлений. — Развивать мультимодальные рекомендации с текстом, изображениями и внешними эмбеддингами. — Оптимизировать продакшен: регулярно обновлять модели, экспортировать в ONNX, настраивать multi-GPU и multi-node обучение. — Вести полный цикл от данных до A/B-экспериментов. Откликнуться ➡️ Старший DS-инженер в Авито Товары и Запчасти Что делать: — Повышать покрытие и качество данных о совместимости запчастей: в том числе определять, какая деталь может подойти к разным авто. — Развивать рекомендации и допродажи. — Развивать AI-ассистентов для покупателей и продавцов на масштабе миллионов запросов. Откликнуться ➡️ Старший Data Scientist в команду Auction Efficiency Что делать: — Развивать ML-модели конверсии в продуктах продвижения: бронированиях, звонках и откликах. — Адаптировать обучение под смещённые данные и длинную обратную связь. — Выполнять ключевую миссию: переходить с классического ML на Deep Learning в задачах ранжирования. — Улучшать качество нейросети с учётом продуктовых ограничений и требований к скорости инференса. Откликнуться ➡️ Data Scientist в команду Ассистента для покупателя — Ави Что делать: — Разрабатывать новые навыки ассистента для продуктовых сценариев. — Улучшать качество работы агентной системы. — Строить инфраструктуру и методологию оценки качества Evaluation. — Дообучать и адаптировать LLM под задачи Ави. Откликнуться ➡️ Data Scientist в команду Horizontal ML Technologies (GenAI) Что делать: — Разрабатывать мультимодальные пайплайны для валидации документов и креативов через связку VLM и LLM. — Создавать алгоритмы интеллектуального ресайза и адаптации баннеров под разные форматы рекламных площадок. — Оптимизировать генеративный стек: выводить решения из MVP в highload, снижать стоимость и ускорять генерацию, повышать качество креативов. — Применять GenAI для performance-сегментации через кластеризацию пользователей. — Вести полный цикл от исследований до продакшена. Откликнуться