Машинное обучение RU

🔐 Как может работать watermarking в Claude. При генерации текста модель почти никогда не имеет ровно один «правильный» следующий токен. Обычно есть несколько вариантов с близкими вероятностями, и выбор между ними делается через sampling. Watermarking добавляет ещё один фактор: секретный ключ влияет на то, какой из подходящих токенов будет выбран в конкретной позиции. Сам текст при этом выглядит обычным. Но если повторять такой выбор на множестве позиций, появляется статистический паттерн, который крайне маловероятно получить случайно. По нему потом можно определить, что текст был сгенерирован моделью. Watermark можно добавлять прямо во время inference. Если механизм нужен из-за требований ЕС, почему включать его для всех пользователей, а не только для европейского трафика? Технически региональное включение выглядит вполне возможным. Значит, причины могут быть уже не в самой модели, а в эксплуатации, унификации инфраструктуры и политике компании. https://x.com/AnthropicAI/status/2088343978873966687

💸 Дешёвый токен ещё не значит дешёвую модель. По исследованию AlphaSense, Kimi может стоить заметно дешевле GPT-5.6 Sol за токен, но обходиться дороже за один завершённый вопрос. Причина простая: модель тратит больше токенов на сбор контекста, повторный retrieval и длинные цепочки перед тем, как добраться до полезного ответа. Реальная формула стоимости выглядит так: цена токена × количество токенов до завершения задачи И здесь более дорогая модель может оказаться выгоднее, если она быстрее находит нужные данные, вовремя останавливается и работает с меньшим контекстом. В многошаговых агентах это особенно критично: лишний retrieval на первом этапе раздувает контекст на всех следующих шагах. AlphaSense пишет, что только изменение retrieval-пайплайна вокруг той же модели дало примерно 3× снижение стоимости. Поэтому экономика AI всё сильнее зависит не от прайса API, а от retrieval, routing и evaluation вокруг самой модели. https://www.alpha-sense.com/resources/product-articles/frontier-ai-models-context/

Что скрывается за монетизацией поиска и реков в Авито 👀 Рассчитать ожидаемую выручку сложнее, чем кажется: нельзя просто умножить вероятность на ставку. На практике всё упирается в данные, метрики и бизнес-ограничения. Если вам интересно, как работает наше ранжирование, приходите на Хабр почитать и оставить комментарии.

🚀 Вышла dots3-note preview - открытая MoE-модель с прицелом на долгоживущих AI-агентов. Внутри 280B параметров, из которых активны 16B, контекст 512K и мультимодальность: текст, изображения и аудио. Главная фишка - TEMPO, новый подход к RL для обучения агентов на длинных задачах. Модель учится критиковать собственные действия, оценивать промежуточные решения и лучше работать там, где одной попытки недостаточно. dots3-note умеет исследовать незнакомые среды, обновлять память по ходу работы, использовать код и инструменты и связывать всё это с мультимодальным восприятием. Авторы утверждают, что модель конкурентоспособна с гораздо более крупными системами в reasoning, agentic и multimodal-бенчмарках. Весы уже открыты на Hugging Face. Вместе с моделью команда выпустила два новых бенчмарка для «реальных» агентов - VibeSearchBench и VibeLifeBench. Tech blog: https://studio.dots.ai/dots/dots3-en.html Weights: https://huggingface.co/dots-studio/dots3-note-prev GitHub: https://github.com/studio-dots-ai/dots3-note-prev

🚀 DeepSeek обновила V4-Pro: упор теперь не просто на reasoning, а на полноценную агентную работу Компания заявила о крупных улучшениях Agent-возможностей и добавила гибкое управление глубиной рассуждений для V4-Pro и V4-Flash. Идея простая: * low - простые задачи; * high - обычные agent-workflows; * max - сложные многошаговые задачи. В актуальной API-документации DeepSeek для thinking mode фактически закреплены уровни high и max, а low/medium маппятся в high. Для сложных coding-agent сценариев effort может автоматически переключаться на max. V4-Pro уже доступна через API как: deepseek-v4-pro Контекст - 1M токенов, максимальный output - до 384K, есть tool calling и thinking/non-thinking режимы. DeepSeek также отдельно оптимизирует V4-линейку под coding agents вроде Claude Code и OpenCode. Новая тарифная модель с peak/off-peak окнами. По заявлению DeepSeek, в непиковые часы API будет стоить на 50% дешевле, чтобы команды могли переносить тяжёлые batch-задачи на более дешёвое время. https://x.com/deepseek_ai/status/2087864585504305397?s=46

До 20 августа открыт прием заявок в магистратуру «Машинное обучение» в Центральном университете! У каждого абитуриента есть шанс получить грант до 75% на весь срок обучения. «Машинное обучение» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из трех треков: 1️⃣Индустриальный — сильная база в ML, современные инструменты, реальные задачи от партнеров 2️⃣Научный (AIRI × ЦУ) — сложные модели, исследования, подготовка к аспирантуре и работе в передовых лабораториях 3️⃣ML в электронной коммерции × Lamoda — работа с реальными данными Lamoda, применение ML для бизнес-задач и возможность попасть на стажировку в компанию Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат: основной трек и продвинутый — для специалистов с опытом в ML. Это полноценная альтернатива офлайну с теми же преподавателями и курсами. Магистратура в ЦУ — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде 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 все время обучения: грант покрывает до 75% стоимости. В 2026 году доступно 550 грантов на все программы магистратуры. Подробнее о программах и условиях участия в конкурсе — по ссылкам: ➡️Офлайн программа ➡️Онлайн программа

🚀 Cognition уже обсуждает оценку выше $40 млрд - всего через 3 месяца после раунда при $26 млрд По данным Bloomberg, новый раунд может превысить $1 млрд. При этом годовой темп выручки Cognition приближается к $1 млрд - получается оценка примерно в 40 годовых выручек. Ещё в мае компания сообщала о $492 млн annualized revenue run rate. Если показатель действительно приблизился к $1 млрд, рост всего за несколько месяцев составил около 103%. Отдельно впечатляет Devin: enterprise-использование росло примерно на 50% месяц к месяцу на протяжении шести месяцев. Рынок AI-кодинга продолжает разгоняться, а инвесторы, похоже, готовы платить огромную премию за тех, кто уже превращает агентов в реальный бизнес. https://www.bloomberg.com/news/articles/2026-08-12/ai-startup-cognition-in-new-funding-talks-at-40-billion-value

⚡️ MatrAIx — инфраструктура, где вместо небольших фокус-групп можно запускать миллиарды виртуальных пользователей с разными характерами, привычками и предпочтениями. Внутри: - 8,3 млрд persona-профилей; - 1 290 характеристик на пользователя; - 1 010 задач в 25+ сферах — от софта и e-commerce до финансов и медицины; - 4 среды: опросы, чат-боты, веб и приложения; - около 1 млн отфильтрованных персон открыты для исследований. - Авторы провели 18 189 испытаний, а персон управляли GPT-5.5, Claude Opus 4.8 и Claude Haiku 4.5. В проверках поведение персон соответствовало заданным характеристикам в 91,5% случаев. Идея мощная: перед запуском продукта можно спросить не 100 тестировщиков, а миллионы виртуальных пользователей — как они отреагируют на цену, задержку, плохой ответ ассистента или новый интерфейс. По сути, это шаг к масштабным цифровым симуляциям человеческого поведения. Paper: https://huggingface.co/papers/2608.04205 #AI #AIAgents #LLM #Research #Simulation

⚡️ Qwen выпустил мультимодальный tool layer для AI-агентов Идея в том, чтобы мультимодальные возможности подключались к агенту как набор инструментов, а не были жёстко зашиты в конкретную модель. Агент, запущенный внутри Claude Code, Codex, Qwen Code, Gemini CLI или другого harness, может сам обнаружить нужный capability, вызвать его и встроить результат в более длинный workflow. GitHub-репозиторий при этом устроен как коллекция отдельных plugins/capabilities. Например, базовый плагин даёт агенту инструменты вроде: - read_image - read_video - visualize - OCR - object grounding - segmentation - speech transcription - cropping То есть вместо схемы: агент → одна мультимодальная модель получается: агент → набор специализированных multimodal tools → цепочка действий Например, агент может: 1. прочитать изображение; 2. найти нужный объект; 3. вырезать конкретную область; 4. прогнать OCR; 5. сопоставить результат с видео; 6. транскрибировать аудио; 7. собрать всё в единый ответ. https://github.com/QwenLM/Qwen-MM-Plugins #AI #Qwen #Agents #Multimodal #ClaudeCode #Codex

Исследуйте сферу AI в T-Lab Т-Образование зовет участников в проект T-Lab. Это годовая программа научно-исследовательской работы в области AI. Станьте соавтором научных открытий, которые меняют индустрию! Вы сможете выбрать один из проектов в сфере AI и участвовать в исследовании на всех этапах. Итоги вашей работы могут лечь в основу научных публикаций и стать вектором новых продуктов. Кого ждут в T-Lab? Студентов бакалавриата и магистратуры, недавних выпускников технических направлений. Участники получат: 🔴Официальное трудоустройство с зарплатой. 🔴Доступ к ресурсам бигтеха для исследований. 🔴Возможность получить оффер в IT-компанию. Узнайте больше и оставьте заявку до 23 августа по ссылке

⚡️ PDF-пайплайны не должны начинаться с OCR. pdf-inspector - локальный инструмент на Rust, который сначала пытается понять, что вообще находится внутри PDF, и только потом решает, какие страницы действительно требуют тяжёлой обработки. Что он делает: - классифицирует PDF; - извлекает структурированный Markdown там, где это возможно; - определяет страницы, которые нельзя нормально разобрать обычным способом; - отправляет на OCR только проблемные страницы. Главная идея - не прогонять через OCR весь документ по умолчанию. На fast path здесь нет: - LLM; - внешних API; - SaaS; - сетевых зависимостей. Это особенно полезно для больших PDF-пайплайнов, где OCR обычно становится самым дорогим и медленным этапом. Вместо: PDF → OCR всех страниц → парсинг получаем: PDF → классификация → native extraction → OCR только сложных страниц Меньше вычислений, ниже latency и проще контролировать приватность данных. 🔗 github.com/firecrawl/pdf-inspector #Rust #PDF #OCR #OpenSource #DataEngineering

🚨 Белый дом подготовил новые правила проверки передовых ИИ-моделей Разработчики закрытых моделей смогут добровольно передавать их правительству США за 30 дней до публичного релиза. Проверка будет проходить в защищённой среде с жёстким контролем доступа и журналированием каждого пользователя. Главное исключение — модели с открытыми весами. Правила распространяются только на закрытые продукты и прямо не должны ограничивать свободно скачиваемые веса после релиза. На презентацию пригласили OpenAI, Anthropic, Google, Meta, Nvidia и другие крупные компании. Проверять модели планируют совместно с NSA и другими ведомствами на предмет рисков для национальной безопасности. Но вопросов пока больше, чем ответов: — что считать «передовой» моделью, не определено; — критерии угрозы национальной безопасности не раскрыты; — сам документ публиковать не собираются; — неизвестно, кто войдёт в список доверенных партнёров; — небольшие разработчики фактически остаются за пределами процесса. Компании также попросили предоставлять почти готовые продукты, а не ранние версии. В результате крупные лаборатории получат прямой канал взаимодействия с государством, пока остальные даже не знают точных правил игры. wsj.com/tech/ai/white-houses-ai-guidelines-exempt-u-s-open-models-from-government-review-74924eb8

🔥 JetBrains открыла исходники KotlinLLM - Kotlin-код, который дописывает себя во время выполнения KotlinLLM - исследовательский плагин для IntelliJ IDEA, который позволяет делегировать часть логики приложения LLM прямо во время запуска. Пример: val apiUrl: String = asLlm( "JetBrains/kotlin", hint = "Верни URL для GitHub Issues API" ) val service: GithubService = mockLlm() Когда приложение сталкивается с новым сценарием, плагин: 1. получает runtime-значения и типы; 2. просит LLM сгенерировать обновление; 3. компилирует новый код; 4. горячо перезагружает класс; 5. повторно выполняет исходный вызов. Главная идея - модель не вызывается постоянно. Успешное решение сохраняется как обычный Kotlin-файл, который можно проверить, изменить, закоммитить и запускать дальше уже без LLM. Сейчас доступны два основных механизма: - asLlm<F, T>() - преобразует значение одного типа в другой; - mockLlm<T>() - генерирует реализацию интерфейса и развивает её по мере появления новых сценариев. Пока это исследовательский прототип для Kotlin/JVM. Проект распространяется по лицензии Apache 2.0. GitHub: https://github.com/JetBrains-Research/kotlinllm-plugin @javatg

⚡️ ИИ уже начал перераспределять стоимость компаний на фондовом рынке Исследователи проанализировали 380 трлн реально использованных токенов более чем у 400 моделей в OpenRouter. Выборка охватывает около 2% мирового ежемесячного потребления ИИ. Из роста токенов, расходов и числа пользователей авторы собрали единый AI Factor, а затем рассчитали для публичных компаний AI beta - насколько движение их акций связано с реальным ростом спроса на ИИ. Компании с высокой AI beta впоследствии показывали более высокую доходность. Стратегия, покупавшая наиболее чувствительные к ИИ компании и продававшая наименее чувствительные, приносила в среднем 0,641% в неделю. Особенно сильный эффект связан с закрытыми моделями, платными и опытными пользователями, а также длинными промптами. Для случайного использования и open-weight моделей такой премии не обнаружили. Эффект выходит далеко за пределы технологического сектора. Рынок положительнее оценивает ИИ в профессиях, где много общения, обучения и взаимодействия с людьми, и осторожнее - в аналитических, научных и операционных задачах. Получается, токены становятся новым экономическим индикатором. По реальному потреблению моделей уже можно оценивать, какие компании и профессии инвесторы считают будущими победителями ИИ-экономики. Пока это препринт, а найденная зависимость не доказывает причинность. Но рынок, похоже, начал учитывать ИИ раньше, чем большинство компаний научилось измерять его влияние. Исследование: AI Premium arxiv.org/abs/2606.30583v2

⚡️ Alibaba в презентации Qwen3.8 в открыто троллит США и бросает им вызов? В проморолике модель часами работает над проектированием чипов, а затем переходит к задачам из биологии. Выбор выглядит намеренным: полупроводники остаются одним из самых болезненных…

⚡️ Alibaba в презентации Qwen3.8 в открыто троллит США и бросает им вызов? В проморолике модель часами работает над проектированием чипов, а затем переходит к задачам из биологии. Выбор выглядит намеренным: полупроводники остаются одним из самых болезненных направлений для Китая, а США продолжают ограничивать поставки передовых ускорителей и оборудования для их производства. Китай намерен закрывать критические технологические пробелы собственными моделями, вычислительной инфраструктурой и чипами. Сцены с белками можно воспринимать как намёк на AlphaFold и амбицию конкурировать с американскими компаниями уже на уровне научных открытий. @ai_machinelearning_big_data #qwen